随着人类社会的信息化、网络化与智能化发展,大量的优化计算问题涌现而出,这些问题在计算机中往往通过搜索加以解决。传统的暴力式搜索方法费时费力,且很难覆盖整个解空间,不能保证解的优异性。群体智能算法是一种启发式的搜索方法的统称,相比传统的搜索方法,它的搜索行为具有智能性。群体智能算法大多模拟了自然界中种群内部的社会合作模型,其中种群的每个个体都可被视为是智能体,通过学习自身或社会经验,决策下一次的搜索轨迹,一个个的智能体就组成了搜索种群。粒子群优化(PSO)算法是一种典型的群体智能算法,由于其形式简单、易于实现,广泛地被应用在科学研究与工程实际中。然而,在实际应用中,特别是在处理多模态问题时,PSO算法也表现出了一些缺点:一是种群多样性较差;二是算法容易陷入局部最优;三是在处理效率要求较高的问题(例如分子对接)时,PSO算法收敛速度难以满足需求。为了解决PSO算法存在的问题,研究人员提出大量的改进策略和算法的变体。常见的改进策略有不同算法的混合、多种群进化,参数控制和邻域拓扑等。随机漂移的粒子群优化(RDPSO)算法是一种典型的PSO算法变体。经证实,相比PSO及大多数变体算法,RDPSO算法往往具有更优异的搜索效果。本文研究的主体是RDPSO算法,为了适应不同的问题需求,并对算法做出了相应改进,以提升其搜索性能与优化效果。具体工作与研究内容如下:(1)本文提出了一种融合MCMC(Monte Carlo Markov Chain)的RDPSO混合算法,算法分为两个阶段,第一阶段主要执行RDPSO算法,第二阶段执行MCMC中的马尔可夫变异操作。经在CEC-2013的多峰函数上验证,这种混合算法提高了RDPSO算法的优化效果,对种群的多样性发展具有积极作用,相比其他粒子群算法,混合算法的性能优良。在应用研究上,混合算法被用于处理分子对接问题。分子对接对算法运行效率要求较高,RDPSO算法收敛非常快,将其作为分子对接的全局搜索算法,可以有效地提升对接的效率。混合算法的第二阶段,选择排名靠前粒子的pbest位置,执行马尔可夫变异操作,可以尽快完成gbest的更新,并且在算法后期极大地丰富了构象解的多样性。在PDBBind-Core和Sutherland-crossdock-set数据集上,分别测试混合算法的重对接和交叉对接的性能,结果表明混合算法具有优异的对接精度。(2)本文提出了一种主从模型的多种群架构,借鉴于自然界的共生关系,将主子群和从属子群看作是相互依存、相互合作的两个物种,从属子群负责搜索空间的全局探索,主子群在从属子群的搜索解的基础上完成进一步开发,并且通过从属子群的gbest位置与主子群的pbest位置的信息交互进行子群间的互相合作。在对接软件PSOVina中,混沌嵌入的PSO算法的全局探索能力很强,本文将其作为从属子群的搜索算法,而对于主子群的搜索,分别使用标准的PSO和RDPSO算法,由此提出了两种多种群算法。在CEC-2013的多峰函数上测试,结果表明算法的多种群算法有利于优化效果的提升和种群多样性的保持,与其他粒子群算法相比性能表现优异。在PDBBind-Core、Sutherland-crossdock-set和DUD-E数据集上分别测试多种群对接算法的重对接、交叉对接与虚拟筛选的性能,结果表明多种群算法相比MCMC算法、PSO算法和GWO算法等具有更好的对接精度,并且无论处于何种并行环境下(CPU充足或CPU不足),算法都能表现出出色且稳定的对接效果。(3)本文提出了一种新的设置方法,将原来线性递减参数继续乘以一个伸缩因子,以根据种群多样性自适应地伸缩参数,适当地增加算法搜索的全局性或局部性。并为进一步提高算法优化能力,探索了算法在五种邻域下的优化表现。在CEC-2013上进行测试,结果反映出伸缩因子能够提高算法的优化效果,金字塔邻域对优化能力的提升最为明显。同时,本文提出了一种面向新冠肺炎的联合诊断与分割网络,能够同时完成胸透X光片的肺炎诊断与病灶分割,但是我们发现联合网络的诊断精度即便使用固定的权重,仍然具有一定的波动。为了稳定网络的诊断精度,将XGBoost分类器加入到联合网络中,但XGBoost的参数相对复杂,人工调参工作量大且很难找到出色的组合。因此使用金字塔邻域下带有伸缩因子的RDPSO算法去优化XGBoost参数,结果算法搜索到了优异的参数组合,稳定了网络的诊断精度。综上,本文提出了RDPSO算法的三种改进版本,即MCMC与RDPSO混合的算法、主从模型的多种群算法和使用金字塔邻域的自适应RDPSO算法。这些改进算法切合了实际问题的需要。对于分子对接问题,混合改进和使用多种群策略的RDPSO算法,收敛速度快且种群多样性优异,有效地提高了实际的对接精度;在XGBoost的参数优化上,使用金字塔邻域和伸
暂无评论