[發明專利]具有馮·諾依曼結構的隨機漂移粒子群優化方法

在審

• 申請號: 201710173917.5
• 申請日: 2017-03-22
• 公開（公告）號: CN106875001A
• 公開（公告）日: 2017-06-20
• 發明（設計）人: 張建明;姚琴琴;張蔚;張峰
• 申請（專利權）人: 浙江大學
• 主分類號: G06N3/00
• 分類號: G06N3/00;G06Q10/04
• 代理公司: 杭州求是專利事務所有限公司33200
• 代理人: 劉靜,邱啟旺

技術領域

本發明涉及生物網絡辨識與參數估計領域，尤其涉及一種具有馮·諾依曼結構的隨機漂移粒子群優化方法。

背景技術

生物技術的快速發展為食品醫藥、環境治理、新能源等領域帶來持續動力，各國政府對以合成生物學等為代表的生物技術關注度和投資力度逐步增加。合成生物學的目的在于建立人工生物系統，并讓它們按照特定規律發揮作用，從基因片段、DNA分子、基因調控網絡到細胞的人工設計與合成。波士頓大學的柯林斯等人開發一種“套環開關(Toggle Switch)”的裝置，所選擇的細胞功能可隨意開關。加州大學的埃洛維茨等人開發的合成基因振蕩回路，當某種特殊蛋白質含量發生變化時，細胞能在發光和非發光狀態之間切換，起到有機振蕩器的作用。合成生物裝置或系統的合理有效設計有賴于有效的數學模型，因此可靠的數據源和參數推理方法將是生物系統建模和設計中的有效工具。

但是由于生物系統的復雜程度及問題求解規模，用于參數估計的推理算法能力之間的矛盾日益加劇，因此迫切需要性能經過提升的推理算法來解決具有較多變量的生物系統，如基因調控網絡、代謝網絡等。對生物網絡進行建模既為探索未知生物對象提供有力工具，同時能夠輔助合成生物系統的構建，在合成生物學建模領域，相當部分的工作圍繞著工程化基因回路建模展開。通常生物系統含有數百個甚至上千個變量，比如DREAM 5平臺公布的關于E coli的微陣列表達數據，涉及4511個基因。但是當前的參數估計方法能夠應對的系統一般不超過十個未知參數，在未知參數個數增加時求解難度和計算所需資源呈現快速上升趨勢，其中用于參數估計的最優化方法的計算能力屬于制約因素之一。除計算速度外，估計參數的可靠性也是網絡推理過程必須考慮的問題，所得到的模型參數應最大程度上接近真實值，這就要求尋優算法具有較好的全局搜索能力。考慮到參數估計過程涉及到目標函數優化計算，開發高效、全局搜索能力強的優化算法在一定程度能夠緩解這種矛盾。

粒子群算法(Particle Swarm Optimization,PSO)及其改進方法憑借其尋優能力和適應性在優化計算領域持續受到關注和應用，作為一種基于種群的優化算法，粒子群優化算法通過迭代最小化候選解的目標函數，這些候選解在算法中用粒子等價表示。粒子在解空間移動的過程既受到自身經驗的影響，同時也受到當前種群最優位置的影響，在基本PSO方法的速度更新公式中，每個粒子的位置都會根據個體歷史最優位置和種群全局歷史最優位置不斷進行調整，從而收斂到最優解。基本的PSO算法能夠有效處理低維度的優化問題，但在處理高維度的復雜優化問題時易陷入局部最優。由于通過改變粒子速度的更新模式能夠在一定程度提高其搜索能力，Jun等人提出隨機飄移粒子群(RDPSO)算法，模擬自由電子向具有最小勢能位置的運動，使種群中粒子不斷調整自身位置。本發明在此基礎上，通過對算法的拓撲結構進行調整，將全連接方式用部分拓撲連接即馮·諾依曼結構代替。

發明內容

為了提高生物網絡參數估計的可靠性，解決現有粒子群尋優算法所面臨的局部最優問題，本發明提供一種具有馮·諾依曼結構的隨機漂移粒子群優化方法，能夠作為參數推理算法較好處理基因網絡等生物系統建模問題，在參數尋優過程提升了全局搜索能力。

本發明解決其技術問題采用的技術方案是：一種具有馮·諾依曼結構的隨機漂移粒子群優化方法，該方法包括以下步驟：

(1)初始化粒子群，包括粒子群規模m和待解決問題的維度D，粒子群中每個粒子都包含3個矢量表征自身特性，即當前位置X_i、當前速度矢量V_i和個體歷史最優位置P_besti，為所有粒子隨機初始化當前位置矢量i表示種群大小為m的粒子群中第i個粒子，i＝1,2,…,m，設置步數k＝0；

(2)根據目標函數f(X_i(k))來計算各粒子的初始代價函數值，令初始位置為個體歷史最優位置P_besti(k)，并計算種群的初始全局歷史最優位置G_gbest(k)和馮·諾依曼鄰域中所有粒子的平均歷史最優位置C_mbesti(k)；

(3)判斷循環終止條件，當代價函數值誤差滿足設定的精確度，或者迭代次數達到最大值，停止搜索并輸出得到的最優解，否則執行步驟(4)；

(4)設置迭代步數k＝k+1，更新種群中各粒子位置；