论文部分内容阅读
随着科学技术的快速发展，优化问题已成为人工智能领域及其他相关领域中重要的问题形式之一。近年来，优化问题呈现出愈发复杂的趋势，通常需要同时考虑多个相互冲突的目标并且需要同时满足多个约束条件，由此产生了多目标优化问题及超多目标优化问题。随着目标数量增加，问题的求解难度也不断加大，这使得超多目标优化问题的求解方法成为近期的一个研究热点和难点。此外，如何基于优化理论对其他领域中的复杂问题进行建模和求解也是一个值得研究的问题。
目前群智能优化算法已成为解决各种优化问题的主要手段，该类算法能够通过模拟某些生物群体的智能行为实现对各类复杂优化问题的快速近似求解。其最大特点就是不需要建立问题本身的精确模型，适合于解决那些因为难以建立有效的形式化模型而用传统人工智能技术难以有效解决甚至无法解决的问题。目前研究人员已提出多种群智能算法，如粒子群算法、蚁群优化算法、鱼群算法及人工蜂群算法等。其中人工蜂群算法已被广泛应用于解决多个领域中的优化问题并表现出了较强的竞争力，因此对人工蜂群算法进行研究，近一步提高其优化性能具有一定的现实意义。
人工蜂群算法在运行过程中会产生很多有用的过程信息，通过这些信息能够及时获取问题的搜索空间特征，因此如果在求解过程中有效的利用这些与求解问题相关的信息能够进一步提高算法性能。为此，针对已有人工蜂群算法中由于侦查蜂觅食和观察蜂的邻居选择的完全随机导致的搜索资源浪费问题，及解决多目标优化时由于忽略部分优质解而导致选择压力丧失问题，本文将从优化过程的角度入手，利用算法运行过程中能够获取到的过程性信息开展研究并将其应用于解决生物信息领域的蛋白质分子对接问题及引物设计问题。具体包括:
(1)针对求解单目标优化问题时，由于侦查蜂采用完全随机的方式盲目搜索食物源及侦查蜂和雇佣蜂随机选择一个其他食物源生成候选食物源的方式所导致的已有人工蜂群算法搜索资源浪费问题。本文从通过提高搜索资源利用率以进一步提高人工蜂群优化算法性能的角度，提出了一种基于演化方向指导的单目标人工蜂群算法。根据食物源位置更新方向信息分别对观查蜂觅食策略、雇佣蜂觅食策略和侦查蜂觅食策略进行了研究。在此基础上，对提出的算法在蛋白质分子对接问题中的应用进行了探讨。
(2)针对求解多目标优化问题时，由于忽视部分优质食物源而导致的求得的非支配解集多样性较差问题，以及由于对一些没有前途的搜索区域进行重复搜索而导致的搜索资源浪费问题。本文从如何有效利用优化过程中被放弃的食物源位置信息的角度，提出了一种基于探索密度的多目标人工蜂群算法。设计了一种面向全局选择的食物源形成机制，重点研究了基于放弃食物源的探索密度树的构建方法，并在其基础上研究实现了一种基于搜索密度的侦查蜂觅食策略。
(3)针对求解超多目标优化问题时，由于优化过程中非支配解爆炸性增长而造成的已有多目标人工蜂群算法中食物源选择策略失效而导致的优化性能退化问题。本文从如何有效利用子问题最优解更新信息的角度，提出了一种基于分解的超多目标人工蜂群算法。研究了一种基于食物源质量提升幅度的食物源动态评估方法及基于自适应参考向量调整策略的子问题动态生成模型，并在其基础上研究设计并实现了针对超多目标优化问题的侦查蜂觅食策略。
(4)针对分子生物学领域的引物设计问题，研究构建了该问题的优化模型并根据引物设计原则研究建立相应的离散搜索空间表示模型，在此基础上结合蚁群优化的基本思想研究建立求解引物设计问题的混合人工蜂群算法优化模型。设计了相应的候选食物源构建方法及基于全局最优路径更新信息指导的观察蜂觅食策略。重点研究建立路径使用频度的表示模型用以发现有前途的搜索区域，在其基础上研究设计并实现基于搜索频度信息指导的侦查蜂觅食策略。
本文以群智能算法的研究为背景，从人工蜂群算法优化过程的角度，利用过程性信息对如何提高单目标、多目标及超多目标人工蜂群算法的性能进行了研究。此外，如何将人工蜂群算法应用于解决其他领域中的优化问题也是一个值得研究的问题。为此本文将提出的算法应用于解决生物领域的蛋白质分子对接问题及引物设计问题。可见本文的研究不但能促进群智能优化方法的发展，扩大其应用范围，同时也会促进人工蜂群算法本身的不断完善和成熟。
目前群智能优化算法已成为解决各种优化问题的主要手段，该类算法能够通过模拟某些生物群体的智能行为实现对各类复杂优化问题的快速近似求解。其最大特点就是不需要建立问题本身的精确模型，适合于解决那些因为难以建立有效的形式化模型而用传统人工智能技术难以有效解决甚至无法解决的问题。目前研究人员已提出多种群智能算法，如粒子群算法、蚁群优化算法、鱼群算法及人工蜂群算法等。其中人工蜂群算法已被广泛应用于解决多个领域中的优化问题并表现出了较强的竞争力，因此对人工蜂群算法进行研究，近一步提高其优化性能具有一定的现实意义。
人工蜂群算法在运行过程中会产生很多有用的过程信息，通过这些信息能够及时获取问题的搜索空间特征，因此如果在求解过程中有效的利用这些与求解问题相关的信息能够进一步提高算法性能。为此，针对已有人工蜂群算法中由于侦查蜂觅食和观察蜂的邻居选择的完全随机导致的搜索资源浪费问题，及解决多目标优化时由于忽略部分优质解而导致选择压力丧失问题，本文将从优化过程的角度入手，利用算法运行过程中能够获取到的过程性信息开展研究并将其应用于解决生物信息领域的蛋白质分子对接问题及引物设计问题。具体包括:
(1)针对求解单目标优化问题时，由于侦查蜂采用完全随机的方式盲目搜索食物源及侦查蜂和雇佣蜂随机选择一个其他食物源生成候选食物源的方式所导致的已有人工蜂群算法搜索资源浪费问题。本文从通过提高搜索资源利用率以进一步提高人工蜂群优化算法性能的角度，提出了一种基于演化方向指导的单目标人工蜂群算法。根据食物源位置更新方向信息分别对观查蜂觅食策略、雇佣蜂觅食策略和侦查蜂觅食策略进行了研究。在此基础上，对提出的算法在蛋白质分子对接问题中的应用进行了探讨。
(2)针对求解多目标优化问题时，由于忽视部分优质食物源而导致的求得的非支配解集多样性较差问题，以及由于对一些没有前途的搜索区域进行重复搜索而导致的搜索资源浪费问题。本文从如何有效利用优化过程中被放弃的食物源位置信息的角度，提出了一种基于探索密度的多目标人工蜂群算法。设计了一种面向全局选择的食物源形成机制，重点研究了基于放弃食物源的探索密度树的构建方法，并在其基础上研究实现了一种基于搜索密度的侦查蜂觅食策略。
(3)针对求解超多目标优化问题时，由于优化过程中非支配解爆炸性增长而造成的已有多目标人工蜂群算法中食物源选择策略失效而导致的优化性能退化问题。本文从如何有效利用子问题最优解更新信息的角度，提出了一种基于分解的超多目标人工蜂群算法。研究了一种基于食物源质量提升幅度的食物源动态评估方法及基于自适应参考向量调整策略的子问题动态生成模型，并在其基础上研究设计并实现了针对超多目标优化问题的侦查蜂觅食策略。
(4)针对分子生物学领域的引物设计问题，研究构建了该问题的优化模型并根据引物设计原则研究建立相应的离散搜索空间表示模型，在此基础上结合蚁群优化的基本思想研究建立求解引物设计问题的混合人工蜂群算法优化模型。设计了相应的候选食物源构建方法及基于全局最优路径更新信息指导的观察蜂觅食策略。重点研究建立路径使用频度的表示模型用以发现有前途的搜索区域，在其基础上研究设计并实现基于搜索频度信息指导的侦查蜂觅食策略。
本文以群智能算法的研究为背景，从人工蜂群算法优化过程的角度，利用过程性信息对如何提高单目标、多目标及超多目标人工蜂群算法的性能进行了研究。此外，如何将人工蜂群算法应用于解决其他领域中的优化问题也是一个值得研究的问题。为此本文将提出的算法应用于解决生物领域的蛋白质分子对接问题及引物设计问题。可见本文的研究不但能促进群智能优化方法的发展，扩大其应用范围，同时也会促进人工蜂群算法本身的不断完善和成熟。