论文部分内容阅读
膜计算(Membrane Computing,简称MC)是生物仿生计算领域研究的一个新分支,由罗马尼亚科学院和欧洲科学院院士G.P?un教授提出,膜计算理论模型也被称为膜系统(Membrane System)或者P系统(P System),该模型思想源自生物界的启发,致力于分析并探索如何从生物细胞的内部结构和功能中抽象出理论计算模型并加以深入研究。膜系统在理论上被证明是一种分布式而且具有极大并行性的高性能计算系统,在如今计算机硬件条件不足以满足对于高性能的并行计算能力的现实要求下,具有分布式结构且有极大并行计算能力的膜系统的研究已经发展成生物仿生计算中的一大热门领域。粒子群优化算法(Particle Swarm Optimization Algotithm,简称PSO)由Kennedy和Eberhart于1995年提出,该算法是通过模拟自然界中鸟群的飞行觅食行为进而抽象出优化算法的理论计算模型。在粒子群优化算法中,分别有速度更新公式和位置更新公式来调整粒子自身的飞行方向以保证粒子向着食物即最优解的位置飞行,在飞行过程(迭代优化过程)中群体中所有的粒子都具有记忆能力,能根据自身经历过的最佳位置以及种群中所有的粒子经过的最佳位置不断地进行自身位置的动态调整,不断迭代优化寻找最优值。通过种群中个体之间的相互协作,每个粒子通过不断地向自身经历过的最佳位置和种群中最佳位置学习,最终获得最优解,这是一种典型的基于群体智能(Swarm Intelligence,简称SI)的迭代优化算法。鉴于粒子群优化算法所包含的参数少、实现流程简单、收敛速度较快等优点,目前得到了广泛的研究并应用于函数优化、聚类分析、神经网络等诸多领域。所以本文在上述理论的前提下,以P系统模型为基础,提出了基于P系统的改进粒子群算法,使改进的粒子群算法既能结合P系统的膜规则实现并行计算以及膜间交流的同时又能提高算法自身的收敛速度以及搜索精度,综上所述,本文的主要研究内容以及创新点如下:(1)利用Logistic混沌映射理论对种群进行初始化,而且将所有粒子位置的平均值(average best,简称abest)同个体最优值pbest以及全局最优值gbest共同引入速度更新公式中并设定自适应调整策略使粒子进行自适应速度更新,提出了混沌初始化且具有自适应机制的粒子群算法(Chaotic Self Adaptive Particle Swarm Optimization,简称CSAPSO);利用细胞型P系统的极大并行性以及膜规则,在算法进行并行计算的同时结合P系统实现多个种群之间最优粒子的交互。(2)在迭代中后期,当粒子的位置接近于个体最优值pbest和全局最优值gbest时会导致粒子的速度趋向于零从而容易陷入局部最优且不容易跳出局部最优值,提出了高斯采样粒子群算法(Gaussian Particle Swarm Optimization,简称GPSO)。在算法中利用高斯随机函数对粒子位置进行随机选择,在算法在陷入局部最优的情况下帮助算法跳出局部最优;并结合组织型P系统保证算法的种群多样性并加快算法的收敛速率。(3)将提出的基于细胞型P系统的混沌自适应粒子群算法CP-CSAPSO应用到划分聚类问题中进行研究、作出对比实验,并通过UCI数据集测试算法性能并进行分析;经过不同的聚类数据集的实验测试,最后结果表明,本文提出的CP-CSAPSO算法应用到划分聚类中可以得到更好的聚类结果。