[发明专利]人工智能技术对组织培养方案进行单目标优化选择的方法

权利要求书

1.一种利用人工智能技术对植物组织培养方案进行单目标优化选择方法，其特征在于该方法依次包括以下步骤：对原始组织培养实验数据进行复制加倍，对复制加倍的实验数据进行归一化处理，利用BP建立数学模型，利用GA对数学模型进行单目标寻优，通过寻优得到的方案进行实验。

2.根据权利要求1所述的.一种利用人工智能技术对植物组织培养方案进行单目标优化选择的方法，其特征在于该方法的具体步骤如下：

1)对初步获得的实验数据复制2-10次，加倍后分别添加0-10％的随机干扰；方法为：y＝x+t，t＝-0.1x+0.2x·rand；y表示添加干扰后的数据，x表示原始实验数据，rand表示[0 1]范围内的随机数；

2)根据各实验因素水平的取值范围，对步骤1中添加了干扰的数据进行归一化处理，使其处于[-1 1]；方法为：y=2(x-xmin)xmax-xmin-1,]]>y表示归一化后的数据，x_min和x_max分别表示某一实验因素水平的最小和最大取值，x表示待归一化处理的因素水平数值；

3)建立实验因素与实验结果关系的数学模型，构建3层结构的BP人工神经网络，利用步骤2中的数据进行数学建模，寻找实验因素与实验结果之间的关系；目标误差取值为10^-5-10^-2，输入层与隐层采用线性传递函数y＝x；隐层与输出层采用非线性的Sigmoid型函数y=1-e-x1+e-x,]]>输入层节点数为实验因素的个数，输出层节点数为1，即实验结果数，隐层节点数利用遗传算法(GA)进行寻优，其具体的过程如下：

STEP1：设置子种群数量SubPop为5-10，每子种群个体数Nind为10-30，最大进化代数MaxGen为15-30，每Mig(10-20)代进行一次子种群间个体迁移，变异率Mutr为0.001-0.01，代沟Ggap为0.7-0.9，重插入率Insr为0.8-0.9，迁移率Migr为0.2-0.3，神经网络最大训练数Epoch为15-50；

STEP2：根据种群数量SubPop、每子种群个体数Nind、神经网络最大训练数Epoch、神经网络的输入节点数numInput、输出节点数numOutput和隐层节点数numHiden(numHiden=numInput·(numOutput+1)+t,]]>t为1-10之间的随机数)构建相应的代表BP神经网络结构的种群，对种群进行一次杂交和变异操作，以改变种群中个体的BP神经网络隐层节点数。杂交采用切断和拼接算子，变异操作为随机产生隐层节点数numHiden+1中的一个整数h，如果h≤numHiden，则在染色体中删除h对应的隐层节点(包括输入层与隐层的权值、隐层与输出层的权值和隐层的阈值)，如果h＞numHiden，则在染色体中增加一个隐层节点(包括随机产生的[-1 1]范围内的输入层与隐层的权值、隐层与输出层的权值和隐层的阈值)；

STEP3：计算适应度值F，对群体解码成BP网络，并利用2中归一化后80％-90％的数据作为BP的训练数据，剩余的10％-20％作为校验数据，对训练后神经网络的均方误差MSE按下式计算适应度值F，

F=1MSE·[1+α·(1-HHmax)],]]>α取值0.2-0.5，H_max为群体中最大的隐层节点数，H为当前个体的隐层节点数；

STEP4：根据子种群数量SubPop、适应度值F和代沟Ggap，利用随机遍历抽样法选择生成子代群体offspring，对子代群体offspring采用STEP2中方法进行BP神经网络结构进化得到offspring1，对offspring1进行常规的杂交和变异操作得到offspring2，对offspring2采用STEP3的方法计算适应度值F_offspring；

STEP5：根据子种群数量SubPop、重插入率Insr、适应度值F和F_offspring重插入子代到父代群体，得到新群体Pop及新的适应值F，进化代数加1；

STEP6：如进化代数为Mig的倍数，则根据子种群数量SubPop、迁移率Migr和适应度值F进行子种群间个体迁移操作；

STEP7：如进化代数已达到最大进化代数MaxGen，则将适应度值最大的个体解码成BP神经网络，并保存为BestBPNet，否则转STEP4；

4)利用遗传算法对步骤3中保存的BP神经网络BestBPNet进行单目标寻优，具体过程如下：

STEP1：设置子种群数量SubPop为5-20，每子种群个体数Nind为10-30，最大进化代数MaxGen为80-200，每Mig(10-20)代进行一次子种群间个体迁移，变异率Mutr为0.001-0.01，杂交率Xovr为0.7-0.95，代沟Ggap为0.7-0.9，重插入率Insr为0.8-0.9，迁移率Migr为0.2-0.3；

STEP2：根据影响组织培养的实验因素个数确定染色体编码方案。如果影响因素只有一个则采用二进制编码，如果多于2个则可采用实数编码或二进制编码(建议采用实数编码以提高组织培养方案的优化精度)；

STEP3：根据子种群数量SubPop、每子种群个体数Nind、组织培养实验因素数及取值范围和STEP2确定的染色体编码方案产生群体；

STEP4：计算适度值F，将群体的染色体解码，并利用3中保存的BP神经网络BestBPNet进行仿真，对仿真结果Result进行基于排序的适应度分配，即得到适度值F(该方法适合于植物组织培养结果的最小化寻优，如材料污染数量，褐化数量等)；如果是植物组织培养结果最大化寻优(如愈伤组织数量、生根数量等)，则首先需要对Result×(-1)，然后对计算结果进行基于排序的适应度分配；

STEP5：根据子种群数量SubPop、代沟Ggap和适度F，利用随机遍历抽样法选择生成子代群体offsprin，。根据子种群数量SubPop、变异率Mutr、杂交率Xovr和适度F对offspring进行杂交和变异操作得到offspring1，对offsprin1采用STEP4中的方法计算适应度值F_offspring；

STEP6：根据子种群数量SubPop、重插入率Insr、适应度值F和F_offspring重插入子代到父代群体，得到新群体Pop及新的适应度值F，进化代数加1；

STEP7：如进化代数为Mig的倍数，则根据子种群数量SubPop、迁移率Migr和适应度值F进行子种群间个体迁移操作；

STEP8：如进化代数已达到最大进化代数MaxGen，则将适应度值最大的个体解码成相应的数值y_i(i＝1，2，…，n，n为实验因素个数)，对y_i进行反归一化即为寻优得到的植物组织培养实验方案，否则转STEP5，反归一化按下式进行，x=12·(y+1)·(xmax-xmin)+xmin,]]>y表示需反归一化的数据，x表示反归一化后的数据，x_min和x_max分别表示某一实验因素水平的最小取值和最大取值；

5)利用步骤4中寻优得到的方案进行实验。