具有馮·諾依曼結(jié)構(gòu)的隨機(jī)漂移粒子群優(yōu)化方法技術(shù)

本發(fā)明專利技術(shù)公開了一種具有馮·諾依曼拓?fù)浣Y(jié)構(gòu)的隨機(jī)漂移粒子群優(yōu)化方法。針對生物網(wǎng)絡(luò)如合成基因回路建模，需要建立生物系統(tǒng)的微分方程模型并根據(jù)觀測值推理模型參數(shù)。參數(shù)計(jì)算過程首先需要定義合適的目標(biāo)函數(shù)和約束條件，同時(shí)需要得到優(yōu)化算法的支持。本發(fā)明專利技術(shù)將微分方程的參數(shù)估計(jì)等價(jià)為帶有微分?代數(shù)約束的非線性規(guī)劃問題，通過尋找合適參數(shù)集來擬合量測數(shù)據(jù)。針對參數(shù)估計(jì)過程的尋優(yōu)計(jì)算易陷入局部最優(yōu)的局限性，該發(fā)明專利技術(shù)在隨機(jī)漂移粒子群優(yōu)化算法中引入馮·諾依曼結(jié)構(gòu)，以增強(qiáng)全局搜索能力。該改進(jìn)算法針對全連接的全局拓?fù)浣Y(jié)構(gòu)的局限性進(jìn)行改進(jìn)，采用局部拓?fù)浣Y(jié)構(gòu)作為粒子間的信息共享方式，增強(qiáng)算法全局搜索能力，能夠給出可信度高的模型參數(shù)。

Stochastic drift particle swarm optimization with von Neumann structure

The invention discloses a random drift particle swarm optimization method with a von Neumann topology. For biological networks, such as synthetic genetic loop modeling, a differential equation model for biological systems needs to be established, and model parameters can be derived from observations. In the process of parameter calculation, it is necessary to define the appropriate objective function and constraints, and also needs the support of the optimization algorithm. The present invention will estimate the parameters of the differential equation is equivalent to a nonlinear programming problem with differential algebraic constraints set by, to fit the measured data to find suitable parameters. In order to improve the global searching ability, the von Neumann structure is introduced into the random drift particle swarm optimization (PSO) for the optimization of the parameter estimation process. The improved algorithm considering the limitation of the topological structure of full connection is improved by using local topological structure as particle method for information sharing, enhance the global search ability of the algorithm, the model parameters are given to high reliability.

【技術(shù)實(shí)現(xiàn)步驟摘要】
具有馮·諾依曼結(jié)構(gòu)的隨機(jī)漂移粒子群優(yōu)化方法
本專利技術(shù)涉及生物網(wǎng)絡(luò)辨識與參數(shù)估計(jì)領(lǐng)域，尤其涉及一種具有馮·諾依曼結(jié)構(gòu)的隨機(jī)漂移粒子群優(yōu)化方法。
技術(shù)介紹
生物技術(shù)的快速發(fā)展為食品醫(yī)藥、環(huán)境治理、新能源等領(lǐng)域帶來持續(xù)動力，各國政府對以合成生物學(xué)等為代表的生物技術(shù)關(guān)注度和投資力度逐步增加。合成生物學(xué)的目的在于建立人工生物系統(tǒng)，并讓它們按照特定規(guī)律發(fā)揮作用，從基因片段、DNA分子、基因調(diào)控網(wǎng)絡(luò)到細(xì)胞的人工設(shè)計(jì)與合成。波士頓大學(xué)的柯林斯等人開發(fā)一種“套環(huán)開關(guān)(ToggleSwitch)”的裝置，所選擇的細(xì)胞功能可隨意開關(guān)。加州大學(xué)的埃洛維茨等人開發(fā)的合成基因振蕩回路，當(dāng)某種特殊蛋白質(zhì)含量發(fā)生變化時(shí)，細(xì)胞能在發(fā)光和非發(fā)光狀態(tài)之間切換，起到有機(jī)振蕩器的作用。合成生物裝置或系統(tǒng)的合理有效設(shè)計(jì)有賴于有效的數(shù)學(xué)模型，因此可靠的數(shù)據(jù)源和參數(shù)推理方法將是生物系統(tǒng)建模和設(shè)計(jì)中的有效工具。但是由于生物系統(tǒng)的復(fù)雜程度及問題求解規(guī)模，用于參數(shù)估計(jì)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(jīng)過提升的推理算法來解決具有較多變量的生物系統(tǒng)，如基因調(diào)控網(wǎng)絡(luò)、代謝網(wǎng)絡(luò)等。對生物網(wǎng)絡(luò)進(jìn)行建模既為探索未知生物對象提供有力工具，同時(shí)能夠輔助合成生物系統(tǒng)的構(gòu)建，在合成生物學(xué)建模領(lǐng)域，相當(dāng)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(tǒng)含有數(shù)百個甚至上千個變量，比如DREAM5平臺公布的關(guān)于Ecoli的微陣列表達(dá)數(shù)據(jù)，涉及4511個基因。但是當(dāng)前的參數(shù)估計(jì)方法能夠應(yīng)對的系統(tǒng)一般不超過十個未知參數(shù)，在未知參數(shù)個數(shù)增加時(shí)求解難度和計(jì)算所需資源呈現(xiàn)快速上升趨勢，其中用于參數(shù)估計(jì)的最優(yōu)化方法的計(jì)算能力屬于制約因素之一。除計(jì)算速度外，估計(jì)參數(shù)的可靠性也是網(wǎng)絡(luò)推理過程必須考慮的問題，所得到的模型參數(shù)應(yīng)最大程度上接近真實(shí)值，這就要求尋優(yōu)算法具有較好的全局搜索能力。考慮到參數(shù)估計(jì)過程涉及到目標(biāo)函數(shù)優(yōu)化計(jì)算，開發(fā)高效、全局搜索能力強(qiáng)的優(yōu)化算法在一定程度能夠緩解這種矛盾。粒子群算法(ParticleSwarmOptimization,PSO)及其改進(jìn)方法憑借其尋優(yōu)能力和適應(yīng)性在優(yōu)化計(jì)算領(lǐng)域持續(xù)受到關(guān)注和應(yīng)用，作為一種基于種群的優(yōu)化算法，粒子群優(yōu)化算法通過迭代最小化候選解的目標(biāo)函數(shù)，這些候選解在算法中用粒子等價(jià)表示。粒子在解空間移動的過程既受到自身經(jīng)驗(yàn)的影響，同時(shí)也受到當(dāng)前種群最優(yōu)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(jù)個體歷史最優(yōu)位置和種群全局歷史最優(yōu)位置不斷進(jìn)行調(diào)整，從而收斂到最優(yōu)解。基本的PSO算法能夠有效處理低維度的優(yōu)化問題，但在處理高維度的復(fù)雜優(yōu)化問題時(shí)易陷入局部最優(yōu)。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(jī)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(yùn)動，使種群中粒子不斷調(diào)整自身位置。本專利技術(shù)在此基礎(chǔ)上，通過對算法的拓?fù)浣Y(jié)構(gòu)進(jìn)行調(diào)整，將全連接方式用部分拓?fù)溥B接即馮·諾依曼結(jié)構(gòu)代替。
技術(shù)實(shí)現(xiàn)思路
為了提高生物網(wǎng)絡(luò)參數(shù)估計(jì)的可靠性，解決現(xiàn)有粒子群尋優(yōu)算法所面臨的局部最優(yōu)問題，本專利技術(shù)提供一種具有馮·諾依曼結(jié)構(gòu)的隨機(jī)漂移粒子群優(yōu)化方法，能夠作為參數(shù)推理算法較好處理基因網(wǎng)絡(luò)等生物系統(tǒng)建模問題，在參數(shù)尋優(yōu)過程提升了全局搜索能力。本專利技術(shù)解決其技術(shù)問題采用的技術(shù)方案是：一種具有馮·諾依曼結(jié)構(gòu)的隨機(jī)漂移粒子群優(yōu)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(guī)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(dāng)前位置Xi、當(dāng)前速度矢量Vi和個體歷史最優(yōu)位置Pbesti，為所有粒子隨機(jī)初始化當(dāng)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(shè)置步數(shù)k＝0；(2)根據(jù)目標(biāo)函數(shù)f(Xi(k))來計(jì)算各粒子的初始代價(jià)函數(shù)值，令初始位置為個體歷史最優(yōu)位置Pbesti(k)，并計(jì)算種群的初始全局歷史最優(yōu)位置Ggbest(k)和馮·諾依曼鄰域中所有粒子的平均歷史最優(yōu)位置Cmbesti(k)；(3)判斷循環(huán)終止條件，當(dāng)代價(jià)函數(shù)值誤差滿足設(shè)定的精確度，或者迭代次數(shù)達(dá)到最大值，停止搜索并輸出得到的最優(yōu)解，否則執(zhí)行步驟(4)；(4)設(shè)置迭代步數(shù)k＝k+1，更新種群中各粒子位置；(5)更新粒子i的個體歷史最優(yōu)位置Pbesti(k)，重新計(jì)算種群中各粒子的代價(jià)函數(shù)值f(Xi(k))，若當(dāng)前f(Xi(k))小于代價(jià)函數(shù)f(Pbesti(k-1))，則將f(Xi(k))置為粒子i的歷史最優(yōu)位置，即Pbesti(k)＝Xi(k)，否則Pbesti(k)＝Pbesti(k-1)；在粒子群算法中Pbesti(k)和Ggbest(k-1)的更新方程如下所示：(6)更新種群全局歷史最優(yōu)位置，將每個粒子對應(yīng)代價(jià)函數(shù)值f(Xi(k))與當(dāng)前全局歷史最優(yōu)位置的代價(jià)函數(shù)值f(Ggbest(k-1))相比較，若滿足條件f(X(k))＜f(Ggbest(k-1))，則最優(yōu)位置更新Ggbest(k)＝X(k)；否則Ggbest(k)＝Ggbest(k-1)；(7)計(jì)算每個粒子的馮·諾依曼鄰域中所有粒子的平均歷史最優(yōu)位置Cmbesti(k)；(8)返回步驟(3)。進(jìn)一步地，在第k次迭代時(shí)，每個粒子i都有熱運(yùn)動和向局部吸引因子pi(k)的定向運(yùn)動，這兩個運(yùn)動的速率在第d維度上分別表示為和粒子i在第d維度上速度表示為：假設(shè)服從雙指數(shù)分布，利用隨機(jī)模擬方法將表示為：其中，其中，為分布的標(biāo)準(zhǔn)差，s和是在區(qū)間(0,1)上服從均勻分布的兩個不同的隨機(jī)數(shù)。進(jìn)一步地，漂移運(yùn)動的速度采取線性形式，即當(dāng)時(shí)，隨著k趨于無窮，將趨于因此保證粒子在整體上向運(yùn)動；β為漂移系數(shù)，反應(yīng)粒子向定向運(yùn)動的能力。進(jìn)一步地，粒子的速度和當(dāng)前位置更新采用如下形式：其中，α為熱系數(shù)，其大小體現(xiàn)了算法的全局搜索能力，其值越大則全局搜索能力越強(qiáng)。熱運(yùn)動部分的表示馮·諾依曼鄰域中所有粒子個體歷史最優(yōu)位置平均值。進(jìn)一步地，熱系數(shù)α設(shè)為S型函數(shù)，表達(dá)式如下：α＝0.3+0.6/(1+(4*k/n)3)其中，k為迭代次數(shù)，n為最大迭代次數(shù)。本專利技術(shù)的有益效果是：(1)粒子間信息共享方式采用高效馮·諾依曼結(jié)構(gòu)形式；(2)提高多極值尋優(yōu)問題和生物網(wǎng)絡(luò)參數(shù)辨識中算法的全局尋優(yōu)能力。若粒子與其他粒子采用全連接結(jié)構(gòu)，將限制算法全局搜索能力，采用局部拓?fù)浣Y(jié)構(gòu)進(jìn)行粒子間信息交互。為了使具有馮·諾依曼鄰域的RDPSO算法中粒子向全局最優(yōu)值運(yùn)動，考慮從和分布形式和計(jì)算入手，本專利技術(shù)根據(jù)迭代次數(shù)的增加相應(yīng)改變熱系數(shù)α，在開始階段進(jìn)行較強(qiáng)的全局搜索，隨著計(jì)算進(jìn)行，全局搜索能力逐步下調(diào)而局部搜索能力提升。附圖說明圖1為具有馮·諾依曼結(jié)構(gòu)的RDPSO方法流程圖；圖2為環(huán)形拓?fù)浣Y(jié)構(gòu)圖；圖3為星形拓?fù)浣Y(jié)構(gòu)圖；圖4為馮·諾依曼拓?fù)浣Y(jié)構(gòu)圖；圖5為熱系數(shù)α與迭代次數(shù)關(guān)系；圖6為PSO、RDPSO和Von-RDPSO三種方法對Griewank函數(shù)的尋優(yōu)收斂曲線；圖7為PSO、RDPSO和Von-RDPSO三種方法對Ackley函數(shù)的尋優(yōu)收斂曲線圖8為參數(shù)推理中收斂速度對比；圖9為輸出y3結(jié)果對比；圖10為輸出y4結(jié)果對比；圖11為輸出y5結(jié)果對比；具體實(shí)施方式下面結(jié)合附圖和具體實(shí)施例對本專利技術(shù)作進(jìn)一步詳細(xì)說明。如圖1所示，本專利技術(shù)提供的一種具有馮·諾依曼結(jié)構(gòu)的隨機(jī)漂移粒子群優(yōu)化方本文檔來自技高網(wǎng)...

【技術(shù)保護(hù)點(diǎn)】
一種具有馮·諾依曼結(jié)構(gòu)的隨機(jī)漂移粒子群優(yōu)化方法，其特征在于，該方法包括以下步驟：(1)初始化粒子群，包括粒子群規(guī)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(dāng)前位置X

【技術(shù)特征摘要】
1.一種具有馮·諾依曼結(jié)構(gòu)的隨機(jī)漂移粒子群優(yōu)化方法，其特征在于，該方法包括以下步驟：(1)初始化粒子群，包括粒子群規(guī)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(dāng)前位置Xi、當(dāng)前速度矢量Vi和個體歷史最優(yōu)位置Pbesti，為所有粒子隨機(jī)初始化當(dāng)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(shè)置步數(shù)k＝0；(2)根據(jù)目標(biāo)函數(shù)f(Xi(k))來計(jì)算各粒子的初始代價(jià)函數(shù)值，令初始位置為個體歷史最優(yōu)位置pbesti(k)，并計(jì)算種群的初始全局歷史最優(yōu)位置Ggbest(K)和馮·諾依曼鄰域中所有粒子的平均歷史最優(yōu)位置Cmbesti(k)；(3)判斷循環(huán)終止條件，當(dāng)代價(jià)函數(shù)值誤差滿足設(shè)定的精確度，或者迭代次數(shù)達(dá)到最大值，停止搜索并輸出得到的最優(yōu)解，否則執(zhí)行步驟(4)；(4)設(shè)置迭代步數(shù)k＝k+1，更新種群中各粒子位置；(5)更新粒子i的個體歷史最優(yōu)位置Pbesti(k)，重新計(jì)算種群中各粒子的代價(jià)函數(shù)值f(Xi(k))，若當(dāng)前f(Xi(k))小于代價(jià)函數(shù)f(Pbesti(k-1))，則將f(Xi(k))置為粒子i的歷史最優(yōu)位置，即Pbesti(k)＝Xi(k)，否則Pbesti(k)＝Pbesti(k-1)；在粒子群算法中Pbesti(k)和Ggbest(k-1)的更新方程如下所示：(6)更新種群全局歷史最優(yōu)...

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：張建明，姚琴琴，張蔚，張峰，
申請(專利權(quán))人：浙江大學(xué)，
類型：發(fā)明
國別省市：浙江,33