[发明专利]具有冯·诺依曼结构的随机漂移粒子群优化方法

摘要

本发明公开了一种具有冯·诺依曼拓扑结构的随机漂移粒子群优化方法。针对生物网络如合成基因回路建模，需要建立生物系统的微分方程模型并根据观测值推理模型参数。参数计算过程首先需要定义合适的目标函数和约束条件，同时需要得到优化算法的支持。本发明将微分方程的参数估计等价为带有微分‑代数约束的非线性规划问题，通过寻找合适参数集来拟合量测数据。针对参数估计过程的寻优计算易陷入局部最优的局限性，该发明在随机漂移粒子群优化算法中引入冯·诺依曼结构，以增强全局搜索能力。该改进算法针对全连接的全局拓扑结构的局限性进行改进，采用局部拓扑结构作为粒子间的信息共享方式，增强算法全局搜索能力，能够给出可信度高的模型参数。

主权项

一种具有冯·诺依曼结构的随机漂移粒子群优化方法，其特征在于，该方法包括以下步骤：(1)初始化粒子群，包括粒子群规模m和待解决问题的维度D，粒子群中每个粒子都包含3个矢量表征自身特性，即当前位置Xi、当前速度矢量Vi和个体历史最优位置Pbesti，为所有粒子随机初始化当前位置矢量i表示种群大小为m的粒子群中第i个粒子，i＝1,2,…,m，设置步数k＝0；(2)根据目标函数f(Xi(k))来计算各粒子的初始代价函数值，令初始位置为个体历史最优位置pbesti(k)，并计算种群的初始全局历史最优位置Ggbest(K)和冯·诺依曼邻域中所有粒子的平均历史最优位置Cmbesti(k)；(3)判断循环终止条件，当代价函数值误差满足设定的精确度，或者迭代次数达到最大值，停止搜索并输出得到的最优解，否则执行步骤(4)；(4)设置迭代步数k＝k+1，更新种群中各粒子位置；(5)更新粒子i的个体历史最优位置Pbesti(k)，重新计算种群中各粒子的代价函数值f(Xi(k))，若当前f(Xi(k))小于代价函数f(Pbesti(k‑1))，则将f(Xi(k))置为粒子i的历史最优位置，即Pbesti(k)＝Xi(k)，否则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：Pbesti(k)=Xi(k)iff(Xi(k))<f(Pbesti(k-1))Pbesti(k-1)iff(Xi(k))≥f(Pbesti(k-1))]]>Ggbest(k)=Pbestg(k),g=argmin0≤i≤m[f(Pbesti(k))]]]>(6)更新种群全局历史最优位置，将每个粒子对应代价函数值f(Xi(k))与当前全局历史最优位置的代价函数值f(Ggbest(k‑1))相比较，若满足条件f(X(k))＜f(Ggbest(k‑1))，则最优位置更新Ggbest(k)＝X(k)；否则Ggbest(k)＝Ggbest(k‑1)；(7)计算每个粒子的冯·诺依曼邻域中所有粒子的平均历史最优位置Cmbesti(k)；(8)返回步骤(3)。