The invention discloses a random drift particle swarm optimization method with a von Neumann topology. For biological networks, such as synthetic genetic loop modeling, a differential equation model for biological systems needs to be established, and model parameters can be derived from observations. In the process of parameter calculation, it is necessary to define the appropriate objective function and constraints, and also needs the support of the optimization algorithm. The present invention will estimate the parameters of the differential equation is equivalent to a nonlinear programming problem with differential algebraic constraints set by, to fit the measured data to find suitable parameters. In order to improve the global searching ability, the von Neumann structure is introduced into the random drift particle swarm optimization (PSO) for the optimization of the parameter estimation process. The improved algorithm considering the limitation of the topological structure of full connection is improved by using local topological structure as particle method for information sharing, enhance the global search ability of the algorithm, the model parameters are given to high reliability.
【技术实现步骤摘要】
具有冯·诺依曼结构的随机漂移粒子群优化方法
本专利技术涉及生物网络辨识与参数估计领域,尤其涉及一种具有冯·诺依曼结构的随机漂移粒子群优化方法。
技术介绍
生物技术的快速发展为食品医药、环境治理、新能源等领域带来持续动力,各国政府对以合成生物学等为代表的生物技术关注度和投资力度逐步增加。合成生物学的目的在于建立人工生物系统,并让它们按照特定规律发挥作用,从基因片段、DNA分子、基因调控网络到细胞的人工设计与合成。波士顿大学的柯林斯等人开发一种“套环开关(ToggleSwitch)”的装置,所选择的细胞功能可随意开关。加州大学的埃洛维茨等人开发的合成基因振荡回路,当某种特殊蛋白质含量发生变化时,细胞能在发光和非发光状态之间切换,起到有机振荡器的作用。合成生物装置或系统的合理有效设计有赖于有效的数学模型,因此可靠的数据源和参数推理方法将是生物系统建模和设计中的有效工具。但是由于生物系统的复杂程度及问题求解规模,用于参数估计的推理算法能力之间的矛盾日益加剧,因此迫切需要性能经过提升的推理算法来解决具有较多变量的生物系统,如基因调控网络、代谢网络等。对生物网络进行建模既为探索未知生物对象提供有力工具,同时能够辅助合成生物系统的构建,在合成生物学建模领域,相当部分的工作围绕着工程化基因回路建模展开。通常生物系统含有数百个甚至上千个变量,比如DREAM5平台公布的关于Ecoli的微阵列表达数据,涉及4511个基因。但是当前的参数估计方法能够应对的系统一般不超过十个未知参数,在未知参数个数增加时求解难度和计算所需资源呈现快速上升趋势,其中用于参数估计的最优化方法的计算能力 ...
【技术保护点】
一种具有冯·诺依曼结构的随机漂移粒子群优化方法,其特征在于,该方法包括以下步骤:(1)初始化粒子群,包括粒子群规模m和待解决问题的维度D,粒子群中每个粒子都包含3个矢量表征自身特性,即当前位置X
【技术特征摘要】
1.一种具有冯·诺依曼结构的随机漂移粒子群优化方法,其特征在于,该方法包括以下步骤:(1)初始化粒子群,包括粒子群规模m和待解决问题的维度D,粒子群中每个粒子都包含3个矢量表征自身特性,即当前位置Xi、当前速度矢量Vi和个体历史最优位置Pbesti,为所有粒子随机初始化当前位置矢量i表示种群大小为m的粒子群中第i个粒子,i=1,2,…,m,设置步数k=0;(2)根据目标函数f(Xi(k))来计算各粒子的初始代价函数值,令初始位置为个体历史最优位置pbesti(k),并计算种群的初始全局历史最优位置Ggbest(K)和冯·诺依曼邻域中所有粒子的平均历史最优位置Cmbesti(k);(3)判断循环终止条件,当代价函数值误差满足设定的精确度,或者迭代次数达到最大值,停止搜索并输出得到的最优解,否则执行步骤(4);(4)设置迭代步数k=k+1,更新种群中各粒子位置;(5)更新粒子i的个体历史最优位置Pbesti(k),重新计算种群中各粒子的代价函数值f(Xi(k)),若当前f(Xi(k))小于代价函数f(Pbesti(k-1)),则将f(Xi(k))置为粒子i的历史最优位置,即Pbesti(k)=Xi(k),否则Pbesti(k)=Pbesti(k-1);在粒子群算法中Pbesti(k)和Ggbest(k-1)的更新方程如下所示:(6)更新种群全局历史最优...
【专利技术属性】
技术研发人员:张建明,姚琴琴,张蔚,张峰,
申请(专利权)人:浙江大学,
类型:发明
国别省市:浙江,33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。