【摘要】：隨著社會生產及現實生活中不斷涌現出越來越多的優(yōu)化問題,其中不乏許多傳統(tǒng)優(yōu)化方法無法解決的復雜優(yōu)化的問題,比如具有多峰的函數優(yōu)化問題,不連續(xù)的函數優(yōu)化問題,不可微的函數優(yōu)化問題,組合優(yōu)化問題和大規(guī)模優(yōu)化問題等。因此為了解決這類復雜的優(yōu)化問題,大量的新的啟發(fā)式優(yōu)化算法不斷被提出,其中影響較大的有遺傳算法,蟻群算法,差分進化和粒子群優(yōu)化算法等。這些啟發(fā)式優(yōu)化算法一般都是通過模擬和建模自然現象,物理現象或者社會現象而得出的。粒子群優(yōu)化算法(Particle Swarm Optimization,簡寫為PSO)是其中優(yōu)秀的一種算法。粒子群優(yōu)化算法是一種基于群體的智能優(yōu)化算法,其以規(guī)則簡單,容易實現,收斂速度快,需調參數少而出名。由于粒子群優(yōu)化算法的這些優(yōu)異的性能,使得其十分容易應用其他領域,比如函數優(yōu)化,組合優(yōu)化,數據挖掘和生物信息等領域。然而PSO算法仍存在一些不足,比如容易陷入局部最優(yōu)。本文針對該缺點,對PSO算法進行改進,并將改進后的算法應用于生物信息學中的局部序列比對問題。本文的主要貢獻如下:(1)提出了一種新的基于正弦余弦的改進粒子群優(yōu)化算法(Sine Cosine Particle Swarm Optimization,簡寫為SC-PSO)。該算法利用正弦余弦策略對粒子群優(yōu)化算法中的系數(認知成分系數和社會成分系數)進行自動調整,實現局部最優(yōu)點的逃離,并能更好的調節(jié)勘探和開發(fā)之間的關系,從而能提高算法的收斂速度和收斂準確度。為驗證提出算法的性能,將其與三個著名的智能優(yōu)化算法在20個基準函數上進行比較,對比實驗顯示本文提出的算法具有較好的性能提升。(2)序列比對是生物信息學中的基礎任務和主要規(guī)程之一,其主要用于測量生物序列之間的相似性,以提供有關RNA,DNA和蛋白質序列之間有關進化和功能相關指示。序列比對通過匹配它們的堿基(蛋白質的氨基酸和DNA的核苷酸)來比較序列,以產生代表相似程度的最高分數的最佳比對。蛋白質二級結構預測和分析使用比對來提高預測質量。在本文中,探索了將SC-SPO算法對局部序列比對方面的應用,使其嵌入到局部序列比對方法中。并通過與其他方法比較驗證了該方法的性能。
【學位授予單位】：湖南大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：TP18
【圖文】：

圖2.1粒子群優(yōu)化算法流程圖

圖 2.2 粒子群優(yōu)化算法搜索區(qū)域示意圖PSO 算法的運行速度非常快，簡單且易于理解和實施。它也有很少的參數需要調整[41]。PSO 通過粒子的相互作用找到最好的值，但是當搜索空間很高時，它的收斂速度在全局最優(yōu)值附近變得非常慢。它在處理大型復雜數據集時也顯示質量差的結果。2.2 粒子群優(yōu)化算法收斂性分析本文將對 PSO 收斂相關的分析分為四大類：粒子運動穩(wěn)定性分析，粒子運動軌跡分析，算法局部收斂分析和首次擊中的期望時間分析。隨機優(yōu)化算法最早的收斂性分析之一是 Matyas[57]發(fā)表的，隨后是 Baba[58]。迭代隨機優(yōu)化算法（簡稱為優(yōu)化算法）據說以概率收斂于搜索空間中的點Χ（若要收斂）如果 ε ， limth (2.5)其中 P 是概率測度，h 是在迭代 t 處通過優(yōu)化算法（搜索空間中的點）生成的

圖 2.3 粒子參數設置與收斂示意圖Bonyadi 和 Michalewicz[64]通過實驗方法研究了收斂前的粒子行為。生成的粒子位置序列視為時間序列，他們使用頻域分析來了解粒子在運如何振蕩。他們根據振蕩的最大頻率（低，中，中，高頻率）將振蕩模組，對應于 Trelea[12]介紹的模式。他們表明，他們的實驗方法發(fā)現的relea[12]發(fā)現的非常相似。因此，他們使用相同的方法來分析 SPSO2011振蕩。他們發(fā)現 SPSO2011 中對應于不同振蕩模式的系數邊界與標準的 。他們的實驗也表明這些邊界對維數不敏感。粒子位置在運行過程中發(fā)生振蕩，直到收斂到一個點。然而，這種表現出不同的模式；例如，位置可能會從一個地方跳到另一個地方，可索空間中順利。通過改變系數的值來影響振蕩模式以及振蕩速率。因此究人員研究了這些模式和比率，以找出哪些系數值對應不同的行為[12,4]。例如，Trelea[12]發(fā)現，四組振蕩模式可以在顆粒期望的 Zigzagging波，這兩者的組合以及非振蕩位置觀察到。Trelea[12]還發(fā)現了與這些模

【參考文獻】

相關期刊論文 前6條

1 李擎;張超;陳鵬;尹怡欣;;一種基于粒子群參數優(yōu)化的改進蟻群算法[J];控制與決策;2013年06期

2 劉志雄;梁華;;粒子群算法中隨機數參數的設置與實驗分析[J];控制理論與應用;2010年11期

3 孫湘;周大為;張希望;;慣性權重粒子群算法模型收斂性分析及參數選擇[J];計算機工程與設計;2010年18期

4 任江濤;趙少東;許盛燦;印鑒;;基于二進制PSO算法的特征選擇及SVM參數同步優(yōu)化[J];計算機科學;2007年06期

5 溫雯;郝志峰;;一種基于動態(tài)拓撲結構的PSO改進算法[J];計算機工程與應用;2005年34期

6 李寧,鄒彤,孫德寶,秦元慶;基于粒子群的多目標優(yōu)化算法[J];計算機工程與應用;2005年23期

相關博士學位論文 前1條

1 張慶科;粒子群優(yōu)化算法及差分進行算法研究[D];山東大學;2017年

相關碩士學位論文 前1條

1 朱達祥;群體智能優(yōu)化算法—粒子群算法的研究和改進[D];江南大學;2017年

本文編號：2755317