生物啟發(fā)計(jì)算若干關(guān)鍵技術(shù)與應(yīng)用研究.pdf

1、生物啟發(fā)計(jì)算是在生物界自然現(xiàn)象的啟示下獲得靈感，研究開發(fā)智能計(jì)算模型和算法的新興學(xué)科，包含遺傳算法、粒子群算法、人工免疫算法、蟻群算法、神經(jīng)網(wǎng)絡(luò)等算法。生物啟發(fā)計(jì)算作為高效的優(yōu)化算法廣泛應(yīng)用于數(shù)據(jù)挖掘、機(jī)器人應(yīng)用和網(wǎng)絡(luò)入侵檢測等領(lǐng)域；也為復(fù)雜問題的求解提供了新的解決方法。與成熟學(xué)科相比，生物啟發(fā)計(jì)算的研究仍處于初步探索階段。為提高生物啟發(fā)計(jì)算的應(yīng)用效率，本文研究生物啟發(fā)計(jì)算的三種典型計(jì)算方法：遺傳算法、粒子群算法和人工免疫算法，分別提出

2、協(xié)作協(xié)進(jìn)化遺傳算法、基于懲罰機(jī)制的自適應(yīng)交叉粒子群算法和基于多種群遺傳算法的抗體生成算法等，并利用多機(jī)器人路徑規(guī)劃和入侵檢測系統(tǒng)驗(yàn)證提出算法的有效性，為解決生物啟發(fā)計(jì)算的“早熟”問題、局部收斂問題、降低計(jì)算復(fù)雜度等關(guān)鍵問題提供了新的思路和方法。 本文主要工作包括： 1.針對遺傳算法求解多目標(biāo)優(yōu)化問題中存在的早熟問題，設(shè)計(jì)了一種染色體長度可變、混合編碼的Messy遺傳算法（MessyGA），并在此基礎(chǔ)上提出全局適應(yīng)度函數(shù)，

3、實(shí)現(xiàn)了基于協(xié)作協(xié)進(jìn)化的MessyGA（CCMGA）。在傳統(tǒng)遺傳算法的選擇操作、交叉操作和變異操作基礎(chǔ)上，利用簡化操作、平滑操作和修復(fù)操作來輔助目標(biāo)函數(shù)的優(yōu)化。針對遺傳算法容易喪失種群多樣性的問題，結(jié)合混沌機(jī)制提高CCMGA的局部搜索能力。最后利用CCMGA實(shí)現(xiàn)多機(jī)器人路徑規(guī)劃，通過Matlab的仿真實(shí)驗(yàn)?zāi)M多機(jī)器人在相對復(fù)雜的地圖環(huán)境下完成動(dòng)態(tài)路徑規(guī)劃，驗(yàn)證算法有效克服早熟問題，并且CCMGA能提高遺傳算法的收斂速度和最優(yōu)解。

4、2.粒子群算法近年出現(xiàn)了多種改進(jìn)的方案，但均存在易陷入局部收斂的問題。本文提出一種基于懲罰機(jī)制的自適應(yīng)交叉粒子群算法，有效克服局部收斂，并利用參數(shù)自適應(yīng)解決單峰和多峰約束優(yōu)化問題。根據(jù)粒子群進(jìn)化過程中種群多樣性模型，引入交叉操作，利用柯西不等式證明交叉粒子群算法通過保持種群多樣性克服早熟和局部收斂，從而得到全局最優(yōu)解。建立有限狀態(tài)組成的馬爾科夫鏈模型描述粒子群算法進(jìn)化狀態(tài)轉(zhuǎn)換過程，有效控制粒子群算法收斂到全局最優(yōu)，形成了自適應(yīng)交叉粒子群

5、算法。基于改進(jìn)H策略和簡化P策略懲罰機(jī)制，優(yōu)化典型的Benchmark函數(shù)，分析實(shí)驗(yàn)結(jié)果得到：根據(jù)問題本身單峰和多峰的不同特性，參數(shù)設(shè)置影響收斂速度和最優(yōu)解，因此本文提出參數(shù)自適應(yīng)計(jì)算公式，有效提高粒子群算法求解單峰和多峰優(yōu)化問題的性能。 3.針對人工免疫算法中抗體抗原最優(yōu)閾值的求解困難，本文提出了匹配閾值預(yù)測模型，分析抗體抗原匹配規(guī)律，利用預(yù)測模型計(jì)算獲得最優(yōu)閾值，提高抗體檢測效率。針對抗體生成算法復(fù)雜度高、生成抗體檢測率低和

6、抗體集合龐大的問題，提出了基于多種群遺傳算法的抗體生成算法（MPTMA）。在形態(tài)學(xué)空間利用覆蓋原理分析抗體抗原匹配，有效降低抗體集合的冗余度，減小抗體規(guī)模，保持抗體的多樣性，提高抗體檢測率。從理論和仿真分別證明MPTMA提高了抗體檢測率、降低了抗體生成算法的時(shí)間復(fù)雜度。 4.將提出的基于閾值預(yù)測模型的MPTMA應(yīng)用于入侵檢測系統(tǒng)，提出了信息預(yù)處理機(jī)制。利用最小信息熵離散化算法對網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行離散化處理，并結(jié)合PCA特征提取算法對數(shù)

7、據(jù)進(jìn)行特征提取。結(jié)合基于否定選擇算法的快速匹配檢測器和基于克隆選擇算法的智能進(jìn)化檢測器，利用基于克隆選擇算法的智能進(jìn)化自學(xué)習(xí)得到的入侵特征更新前者的特征庫，實(shí)現(xiàn)快速匹配檢測器和基于克隆選擇算法的智能進(jìn)化檢測器的協(xié)作，保證了混合檢測器的檢測實(shí)時(shí)性和準(zhǔn)確性。仿真實(shí)驗(yàn)證明基于預(yù)測模型的MPTMA生成檢測器提高了檢測率，與傳統(tǒng)的方法相比，在優(yōu)化結(jié)果、收斂速度和穩(wěn)定性上均有明顯提高；同時(shí)相對單獨(dú)使用上述兩種檢測器，混合檢測系統(tǒng)在實(shí)時(shí)性、檢測率和誤

8、測率等方面具備更好的性能。 本文的主要?jiǎng)?chuàng)新點(diǎn)： 1.針對遺傳算法求解多目標(biāo)優(yōu)化存在早熟的問題，提出了基于協(xié)作協(xié)進(jìn)化機(jī)制的MessyGA，構(gòu)建全局適應(yīng)度函數(shù)，利用輔助算子優(yōu)化，并結(jié)合混沌機(jī)制提高局部搜索能力。 2.針對粒子群算法易陷入局部收斂問題，提出基于懲罰機(jī)制的交叉粒子群算法，分析種群收斂規(guī)律提出自適應(yīng)交叉概率模型，求解單峰和多峰優(yōu)化問題實(shí)現(xiàn)參數(shù)自適應(yīng)，有效克服局部收斂，提高優(yōu)化性能。 3.提出匹配閾值