基于P系統(tǒng)的改進粒子群優(yōu)化算法及應用.pdf

1、新世紀首屆膜計算研討會是膜計算領域研究的起源，膜計算模型的原理源于由細胞組成的器官或組織以及活細胞的結構和功能，從其中抽象總結出計算思想或模型，形成具有層次結構、分布式且有并行性的計算模型。研究已證明，膜計算模型和圖靈機具有等價性。
　　粒子群算法是群體智能領域具有代表性的算法之一。粒子群算法在提出伊始時較為單一，針對的是單目標優(yōu)化問題，缺少處理約束條件和多目標問題的機制，如何創(chuàng)新設計相應的機制或策略，使算法能夠解決此類問題，必將

2、影響到算法能否進一步向前發(fā)展、能否轉化成實際生產力。
　　已有少數(shù)研究者關注PSO算法與膜計算模型的改進與結合，但僅限于借助膜系統(tǒng)的高度并行性，在膜計算模型的框架下實現(xiàn)算法。本文主要聚焦于對粒子群算法改進、類細胞P系統(tǒng)改進以及算法融合一體的最佳結構與相應規(guī)則等的研究，在實現(xiàn)算法的基礎上研究算法性能更高效的改進，使PSO算法中粒子尋優(yōu)機制更加完善、種群多樣性更加豐富、膜系統(tǒng)的結構更加優(yōu)化、系統(tǒng)運行的高并行性更加明顯。
　　概括

3、來講，本文的主要研究內容有：
　　一是提出基于逆粒子群優(yōu)化算法的P系統(tǒng)（NPSO-P系統(tǒng)），并從膜系統(tǒng)結構、實驗框架、規(guī)則執(zhí)行等方面介紹NPSO-P系統(tǒng)的設計，并在實驗中驗證其優(yōu)越性。
　　二是提出基于逆向學習機制的粒子群算法（CODPSO）。算法設計部分詳細介紹改進的優(yōu)化策略，包括參數(shù)設計里面的慣性權重、異步變化的學習因子和時間飛行因子，以及引入速度限制以及反彈策略解決界限問題，并且為增加粒子群的多樣性引入逆向學習機制，避

4、免陷入局部最優(yōu)。實驗部分通過獨立的分實驗以及整體的總實驗，證明各優(yōu)化點的優(yōu)勢以及改進算法的優(yōu)越性。
　　三是提出基于酶數(shù)值膜系統(tǒng)的動態(tài)權重粒子群算法（CODPSO-AEPS）?；诜N群協(xié)作的思想，CODPSO-AEPS算法將CODPSO算法運行機制與膜系統(tǒng)的分層結構、規(guī)則等融合一體，將每個粒子的位置信息看成是膜區(qū)域內的對象，通過規(guī)則的運行完成粒子間信息的交換和位置的尋優(yōu)，借助膜融合規(guī)則實現(xiàn)取值策略的擇優(yōu)執(zhí)行，使算法收斂速度加快，使