基于生物多样性的流感暴发研究

为揭示流感病毒在环境中的生存能力,本文提出了一种基于评价流感病毒的生物多样性指标,研究流感病毒大流行的规律。基于1902-2016年的99 861条流感病毒的血凝素蛋白质序列,提取40维特征向量,并采用层次聚类方法获取流感病毒每一年的最优聚类数。进而,基于生物多样性的评价指标,计算出每一年的种群熵值,以表达流感病毒的生物多样性和种群熵变化率,从而衡量流感病毒的变异速率。结合历史数据,通过种群熵评价流感病毒的生物多样性能够与已发生的流感暴发时间很好吻合。以上研究可为流感病毒的暴发预测提供依据。

以商圈为中心的O2O动态外卖配送路径优化模型与算法

针对线上到线下(Online to Offline,O2O)外卖路径优化问题,综合考虑其动态配送需求、货物区分等特点以及时间窗、载货量等约束条件,将商圈看作配送中心,将快递员数量与快递员总行驶时间作为最小化目标,提出了以商圈为中心的O2O动态外卖配送路径优化模型。采用周期性处理新订单的方法将相应的快递员路径的动态调整问题转化为一系列静态TSP子问题,设计了一种分阶段启发式实时配送路径优化算法框架,并给出了一个具体算法和一个数值计算实例。在VRP通用算例的基础上,以商圈为中心生成测试算例,对本文算法进行仿真实验,并与其他算法比较。结果表明:本文算法能充分利用新订单附近的快递员进行配送,并优化其配送路径,有效减少了快递员数量与快递员总行驶时间。

融合柯西变异的鸟群与算术混合优化算法

针对鸟群优化算法迭代初期种群多样性不足、迭代后期收敛速度慢、易陷入局部最优解等问题,提出一种融合柯西变异的鸟群与算术混合优化算法(hybrid algorithm of bird swarm algorithm and arithmetic optimization algorithm based on Cauchy mutation,HBSAAOA)。利用算术优化算法中乘除算子的高分布性对BSA中生产者的位置进行更新,以提高种群多样性,增强全局搜索能力。引入随机搜索策略和柯西变异策略来生成候选解,对后期局部开发阶段进行扰动,以增强算法跳出局部最优解的能力并提高收敛速度。利用贪婪策略对最优个体进行选择并替代较差的个体,从而提高解的质量。通过对23个经典测试函数以及部分CEC2014基准函数进行仿真实验,并将HBSAAOA应用到两个工程应用问题上,结果表明改进策略有效,改进算法的收敛速度更快、寻优精度更高,并且鲁棒性更好。

融合麻雀搜索和随机差分的双向学习平衡优化器算法

针对平衡优化器算法(Equilibrium Optimizer,EO)求解精度低、收敛速度慢等问题,提出一种融合麻雀搜索和随机差分的双向学习平衡优化器算法。首先,给出了基于麻雀搜索算法的自适应种群划分策略,以平衡算法的全局探索和局部勘探,从而提高算法的收敛精度和收敛速度。其次,引入随机差分策略来重建平衡池,增加个体之间的信息交流,以利于算法跳出局部最优。最后,设计了一种双向混沌反向学习策略并将其应用到更新后的种群,以增加种群多样性,从而进一步提高算法的收敛精度。通过14个测试函数进行仿真实验,使用Wilcoxon秩和检验以及平均绝对误差来评价算法性能,并将改进算法应用到两个工程设计问题,实验结果验证了3种改进策略的有效性,且改进算法的收敛精度、收敛速度和鲁棒性都有显著提高。

一种动态调整惯性权重的简化均值粒子群优化算法

提出了一种动态调整惯性权重的简化均值粒子群优化算法(DSMPSO).该算法在简化粒子群优化算法的基础上,利用个体最优位置和全局最优位置的线性组合取代算法个体最优位置和全局最优位置,以加快算法的收敛速度以及寻优精度;此外,构造了一种基于余弦函数的惯性权重,并加入服从贝塔分布的随机调整策略,以实现对惯性权重的动态调整,从而更好地平衡算法的全局和局部搜索能力,并增加种群的多样性.仿真实验结果表明,与其他一些改进算法相比,本文的新算法具有更快的收敛速度和更高的寻优精度.

基于S型函数的自适应粒子群优化算法

针对粒子群算法求解精度低和后期收敛速度慢等问题,提出了一种基于S型函数的自适应粒子群优化算法SAPSO (S-shaped function based Adaptive Particle Swarm Optimization)。该算法利用倒S型函数的特点,实现了对惯性权重的非线性调整,从而更好地平衡算法的全局搜索能力和局部搜索能力;同时,在算法的位置更新公式中引入S型函数,并利用个体粒子自身的适应度值与群体平均适应度值的比值自适应地调整搜索步长,从而提高算法的搜索效率。在若干经典测试函数上的仿真实验结果表明,与已有的几种改进粒子群算法相比,SAPSO在收敛速度和求解精度方面均有较大优势。

求解工作量平衡多旅行商问题的改进遗传算法

针对工作量平衡的多旅行商问题,提出了一种融合杂草算法繁殖机制和局部优化变异算子的改进遗传算法(Reproductive mechanism and Local optimization mutation operator based Genetic Algorithm,RLGA)。该算法利用入侵杂草优化算法中以适应度为基准的繁殖机制来产生种群并进行遗传操作,以此来提高算法的搜索效率;同时提出一种混合局部优化算子作为变异算子来提高算法的局部搜索能力,从而提高收敛精度。实验结果表明,RLGA在求解工作量平衡的多旅行商问题时可以快速收敛到较优解,并且求解精度得到了很大的提高。

求解寻址多旅行商问题的改进单亲遗传算法

为了解决非预先指定起点的单起点、闭回路且目标函数最长、路径最短的多旅行商问题,提出一种融合杂草算法繁殖机制的可寻址混合单亲遗传算法.该算法首先给出了一种新的编码方式,可在种群初始化时产生含有随机配送中心的个体,同时算法采用杂草算法的繁殖机制产生子代,从而加快收敛速度;然后采用改进的单亲遗传操作对路径进行寻优;最后采用混合选择算子对群体进行求解精度选择,避免算法陷入早熟收敛.为验证所提出的改进算法的有效性,采用Matlab对TSPLIB数据库中若干不同规模的实例进行仿真.实验结果表明,该算法在寻找最佳配送中心和最短路径方面具有良好的性能,且能在旅游路径规划问题上得到良好的应用.

求解MMTSP的模糊聚类单亲遗传算法

随着现代物流行业等应用领域的快速发展,多旅行商问题得到了越来越多的关注。针对多起点闭回路多旅行商问题(Multiple depots Multiple Traveling Salesman Problem,MMTSP),文中提出了一种模糊C均值聚类单亲遗传算法。该算法首先采用模糊C均值聚类方法将所有城市按照隶属度分成若干类,然后对应每个类建立一个旅行商问题,并通过一种改进的单亲遗传算法对旅行商问题进行求解,最后将各个类的结果综合作为MMTSP的解。所提算法采用先聚类再执行遗传操作的求解策略不仅可极大地缩减算法的搜索空间,而且可使种群在缩减后的搜索空间得到更充分的探索,从而更快地得到问题的最优解。对TSPLIB数据库中若干测试实例的求解实验结果表明,与其他几种相关算法相比,FCMPGA在不同规模问题上均具有良好的求解性能,尤其是在求解大规模问题时算法性能表现更优,且收敛速度更快。

自适应动态学习鸡群优化算法

针对标准鸡群优化算法存在求解精度偏低、局部搜索能力弱等问题,提出了一种自适应动态学习鸡群优化算法ADLCSO(Adaptive Dynamic Learning Chicken Swarm Optimization algorithm)。该算法利用反向觅食机制自适应更新每只公鸡的位置,并添加了非线性递减学习因子来动态调整公鸡位置的更新步长,以增强种群跳出局部极值的能力,从而提高算法的收敛速度和求解精度。此外,提出了一种基于个体间适应度值之差的种群相似度指标,并利用该指标对每只母鸡的位置进行自适应调整,以抑制种群多样性的衰减,从而进一步提高算法的求解精度。通过对12个经典测试函数进行仿真实验,结果表明ADLCSO算法在收敛速度、求解精度、稳定性及对高维问题的求解能力上均优于其他对比算法。

气候变化对丹顶鹤种群在繁殖地逗留时间的影响分析

在我国东北地区气候情景20C3M(1951—2000年)和SRESA1B(2001—2100年)数据以及1981—1990年东北地区丹顶鹤种群繁殖地分布调查数据的基础上,通过基于归一化距离的分层聚类和信息融合的理论与方法,提取影响丹顶鹤种群在繁殖地逗留时间的5个气候因子,建立丹顶鹤关于逗留时间的随机分析数学模型,并对相关模型的算法进行研究。在ArcGIS 9.3界面下,利用Matlab进行程序设计与运行,分别获得丹顶鹤种群在2041—2050和2091—2100年的最适应逗留时间、次适应逗留时间和可适应逗留时间的预测分析结果。结果表明,与1981—1990年丹顶鹤种群在繁殖地逗留时间为每年的4—9月相比,2041—2050年丹顶鹤种群在繁殖地的最适应、次适应和可适应逗留时间预测结果均为4、5、8、9和10月,2091—2100年丹顶鹤种群在繁殖地的最适应、次适应和可适应逗留时间预测结果均为4、5、9和10月。说明到2041—2050和2091—2100年,1981—1990年的东北地区丹顶鹤种群繁殖地将不再适于丹顶鹤种群繁殖。影响丹顶鹤种群在繁殖地逗留时间的因素主要是与温度相关的3个气候因子指标,影响程度由强到弱依次为月平均最高温度、月平均温度和月平均最低温度。

改进的基于差分进化的群集蜘蛛优化算法

为了克服群集蜘蛛优化(SSO)算法易陷入局部极值和收敛速度慢等缺陷,提出了一种融合差分进化和粒子群优化算法搜索机制的改进群集蜘蛛算法。在群集蜘蛛算法中引入差分变异算子,让部分雌蜘蛛进行由种群中全局最优个体和两个随机个体所引导的变异,从而增加种群多样性,提高算法跳出局部最优解的能力。另外,在上述改进的基础上,借鉴粒子群优化算法的搜索机制,在位置更新公式中添加一组动态的非线性惯性权重及学习因子,以更好地平衡算法的局部和全局搜索能力。实验结果表明:改进的群集蜘蛛算法具有更快的收敛速度和更好的求解精度。

拉丁超立方抽样的自适应高斯小孔成像蝴蝶优化算法

针对蝴蝶优化算法存在种群多样性差、寻优精度低、收敛速度慢的不足,提出了拉丁超立方抽样的自适应高斯小孔成像蝴蝶优化算法。首先利用拉丁超立方抽样种群初始化策略以提高种群的多样性,从而增强算法的全局搜索能力;然后引入在不同进化时期自动调节搜索范围的自适应最优引导策略,平衡算法的全局和局部搜索能力,从而提升算法的寻优精度;最后采用高斯小孔成像策略,对最优个体进行扰动,使得种群个体向最优个体靠近,以进一步提升算法的寻优精度并加快算法的收敛速度。通过对14个基准测试函数进行仿真实验以及Wilcoxon秩和检验,结果表明改进算法的寻优精度、收敛速度、稳定性和可扩展性等性能均得到了较大提高。

基于蛋白质互作网络挖掘结直肠癌致病基因

结直肠癌是消化系统常见的恶性肿瘤之一,死亡率居发达国家恶性肿瘤死亡率的第3位。本文通过生物分析进行结直肠癌致病基因的识别。首先,基于GEO中GSE9348基因表达数据集,利用R语言的LIMMA包筛选出P<0.05,Fold change>2的结直肠癌差异基因339个;其次,基于OMIM数据库中已知结直肠癌的致病基因和STRING数据库,获得差异表达基因与致病基因的蛋白质互作网络;接着利用Cytoscape软件的ClusterONE插件进行蛋白质互作网络模块分析,获得一个含有53个基因的子网络;最后,通过对子网络的拓扑分析,获得了FOS、CCND1、CEBPB、EGR1和NOS3等5个新结直肠癌致病基因。同时,通过功能富集分析和文献挖掘对新发现的致病基因进行验证。

基于层次结构数据的多元线性回归问题分析

针对传统多元线性回归分析(Multiple linear regression,MLR)在处理大数据时,特别是具有层次结构的数据,提出了基于层次结构数据的偏回归系数计算模型。该模型通过计算下层中每个部分的偏回归系数及上、下层之间的层次结构矩阵,来计算上层的总体偏回归系数。从理论研究和实际数据试验验证了在计算回归系数时新模型与传统MLR模型具有等效性。同时,新模型能有效解决隐私数据的保护问题,实现计算的并行处理,提高了大数据处理能力。

基于粒度空间的最小生成树分类算法

基于粒度空间理论,进行了基于归一化距离的最小生成树分类算法研究.首先根据类内偏差和类间偏差的性质,在已有的粒度空间生成算法的基础上,引入最小生成树以及新的最优聚类指标,给出了基于归一化距离的最小生成树分类算法,并建立了最优聚类模型.其次,将模型应用于研究从NCBI上下载的1902-2015年间的898条现在已经确认能够感染人的禽流感病毒蛋白质序列HA与NA蛋白,共有8种,包括H5N1,H5N2,H7N2,H7N3,H7N7,H9N2,H10N7,以及最近的H7N9.在距离中心最近的基础上,通过运行最小生成树分类算法,6个代表病毒序列被选出,并且得到了最优层次结构.最后,对实验结果进行分析,结果表明病毒爆发地域差异、病毒爆发时间等因素对禽流感病毒的变异产生了重要影响,这些结果与已有的研究结果一致,说明本文提出的最小生成树分类算法是有效的.在寻找基于粒度空间的最佳聚类问题上,最小生成树分类算法比原有的算法具有更低的复杂度.这些结论为基于大数据的信息处理提供了一种全新的处理方法.

基于改进天牛须搜索算法的路径规划方法

针对天牛须搜索算法易陷入局部最优、寻优精度低、后期收敛速度慢等缺点,提出了一种带有预判机制和权重因子的改进天牛须算法PreWBAS(beetle antennae search algorithm with pre-determination and weight),并基于该算法给出了一种求解路径规划问题的方法。首先在PreWBAS中引入预判机制使算法在每一次迭代预走一定步数,然后引入非线性递减的权重因子来平衡全局搜索能力和局部寻优能力。仿真实验结果表明,对于函数优化问题,改进后的算法相较于传统天牛须搜索算法具有更高的求解精度和收敛速度,不易陷入局部最优;对于路径规划问题,改进后的算法也拥有更好的寻优性能。

双策略学习和自适应混沌变异的郊狼优化算法

针对郊狼优化算法(coyote optimization algorithm,COA)存在收敛速度慢、求解精度低、易陷入局部最优的不足,提出一种基于双策略学习机制和自适应混沌变异策略的改进郊狼算法(coyote optimization algorithm based on dual strategy learning and adaptive chaotic mutation,DCSCOA)。首先,引入振荡递减因子,以产生具有多样性的个体来增强全局搜索能力;其次,利用双策略学习机制,适度地增强组群头狼的影响,以平衡算法的局部挖掘能力和全局搜索能力,同时提高算法的求解精度和收敛速度;最后,使用自适应混沌变异机制,在算法停滞时产生新个体,以使算法跳出局部最优。通过对20个基本测试函数和11个CEC2017测试函数进行仿真实验,结果验证了改进算法具有更高的求解精度、更快的收敛速度和更强的稳定性。

基于鸡群优化算法的改进GM(1,1)模型

针对传统GM(1,1)模型的模拟精度和预测精度不高的问题,提出了基于鸡群优化(chicken swarm optimization,CSO)算法的改进模型CSO-GM(1,1)。首先,为了提高模型的模拟精度,在模型的初始条件中引入扰动因子。其次,为了提高模型的预测精度,设计了一种基于新信息优先原理的优化模型。最后,利用鸡群算法对模型中的参数进行优化,进一步提高了模型的模拟和预测精度。利用多组不同增长幅度的指数序列和实际算例进行测试,结果显示在模拟精度和预测精度上,CSO-GM(1,1)模型都优于其他对比模型,从而验证了改进模型的有效性。

基于自适应交叉与协方差学习的改进平衡优化器算法

针对平衡优化器算法存在的收敛精度低和易陷入局部停滞的问题,提出一种基于自适应交叉与协方差学习的改进平衡优化器算法。首先,构建外部存档来保留历史优势个体,增加种群多样性,以提高算法的全局寻优能力。其次,引入自适应交叉概率来平衡算法的全局探索能力和局部开发能力,以提高算法的寻优精度和鲁棒性。最后,采用协方差学习策略,充分利用浓度向量之间的关系来增强种群间信息交流,以避免算法陷入局部停滞。通过对CEC2019测试函数进行仿真实验,并将改进算法与反向传播(back propagation,BP)神经网络相结合用于预测新疆玛纳斯河的径流情况,实验结果表明,改进算法在收敛精度和鲁棒性方面有显著提升,且大幅提高了BP神经网络的径流预测效果。