模擬退火混合遺傳算法在腦電源定位問題上的應(yīng)用.pdf

1、研究人腦的特性是物理學(xué)、生物學(xué)和信息理論等眾多學(xué)科交叉的邊緣學(xué)科，是當(dāng)前科技界的一個(gè)前沿領(lǐng)域。從工程學(xué)科的角度探測(cè)、分析和模仿大腦的功能是當(dāng)前的一個(gè)研究熱點(diǎn)。其中腦電源定位問題，是根據(jù)頭皮觀測(cè)電位實(shí)現(xiàn)人腦內(nèi)部電活動(dòng)源信息的反演研究，更是引起了人們的廣泛興趣，其研究成果將在探索人的感覺、認(rèn)知過程及神經(jīng)疾病診斷等方面具有重要作用。 文章選用同心四層球模型，基于瞬時(shí)腦電數(shù)據(jù)，將遺傳算法和模擬退火算法有機(jī)的結(jié)合起來，形成模擬退火混合遺傳

2、算法。該算法改善了傳統(tǒng)遺傳算法的性能，加快了收斂速度，增強(qiáng)了算法的全局收斂性，并將其應(yīng)用在腦電源定位問題上，取得了較好的效果。文章主要進(jìn)行了以下幾個(gè)方面的工作： 1) 針對(duì)傳統(tǒng)遺傳算法的不足，改進(jìn)了傳統(tǒng)遺傳算法的選擇、交叉、變異等算子。采用了選擇概率隨適應(yīng)度值成比例的選擇方法，并加入最優(yōu)保存法，使適應(yīng)度好的個(gè)體盡量保存到下一代群體中，有效的加快了算法的收斂速度。在更新算子的設(shè)計(jì)中引入模擬退火算法的Metropolis 判別準(zhǔn)則的

3、復(fù)制策略，一方面保證中間群體中的最優(yōu)個(gè)體進(jìn)入下一代，另一方面在接受優(yōu)化解外，有限度地接受劣質(zhì)解，保證了群體的多樣性，避免陷入局部最優(yōu)解。 2) 借鑒Srinivas 等人提出的交叉概率Pc和變異概率Pm隨適應(yīng)度函數(shù)值自動(dòng)改變的方法，建立Pc和Pm，使適應(yīng)度函數(shù)值小的個(gè)體，具有較大的交叉概率和變異概率，有利于加快算法收斂速度。當(dāng)陷入局部極值時(shí)，適應(yīng)度函數(shù)值較大的個(gè)體對(duì)應(yīng)的Pc、Pm也將增大，有利于避免“早熟”問題，并用多峰值函數(shù)進(jìn)