基于整个演化历史信息的进化算法研究及其应用

A novel evolutionary algorithm based on the entire evolutionary historical information (EA-EHI) is proposed and the theoretical analysis and its application on dynamics modeling of biochemical processes are researched. The proposed algorithm, namely EA-EHI, uses a binary space partitioning tree structure to memorize the positions and the fitness values of the evaluated solutions. A fast fitness function approximation using the space partitioning scheme is designed and the resultant mutation operator that is parameter-less, anisotropic and adaptive is introduced. The basic process of EA-EHI algorithm is described. Then we analysis of the convergence, the convergence rate, computational complexity and performance stability of the algorithm. Finally the EA-EHI algorithm is applied to optimize the the inverse problem of metabolic pathways, that is, dynamics modeling of metabolic pathways of biochemical processes utilizing EA-EHI algorithm to approximate the differential equations and estimate the model parameters according to experimental data. In order to improve the accuracy of the system parameter estimation solutions, the Runge-Kutta method combined with regularization techniques is proposed. Therefore, the EA-EHI algorithm proposed in this subject and algorithm theory analysis has important theoretical significance and promotes the development of evolutionary algorithms to some extent. The EA-EHI algorithm will also have important application value because of the wide application of evolutionary algorithms. In addition, there is extended significance to popularize for the research of this subject applied to solve the optimization of metabolic networks and systems biology of other complex optimization problems.

本课题提出一种基于整个演化历史信息的进化算法（EA-EHI），并对其进行理论分析以及在生化过程动力学建模中的应用研究。首先建立二维空间分割树结构记录估计解的位置和适应度值，设计逼近的快速适应度函数模型，引入无参的自适应变异机制，提出EA-EHI算法的基本流程；其次分析算法收敛性和收敛率、计算复杂性以及性能稳定性；最后研究EA-EHI算法在代谢途径反问题中的应用，即生化过程代谢途径动力学建模，根据实验数据，应用EA-EHI算法拟合微分方程，估计系统模型参数，并提出用龙格-库塔法结合正则化技术来提高系统参数估计解得精度。因此，本课题提出的EA-EHI算法以及对算法的理论分析具有重要的理论意义，在一定程度上能推动进化算法的发展；并且由于进化算法的广泛应用性，EA-EHI算法将具有重要的应用价值；此外，本课题的研究成果应用于解决代谢网络优化及系统生物学其他复杂优化问题也有较强的推广意义。

以群体为基础的随机优化技术，如进化算法（Evolutionary Algorithms, EAs）和群体智能(Swarm Intelligence, SI)优化算法，由于具有很强的通用性，对目标函数的解析性质几乎没有要求，已经在解决复杂全局优化问题方向得到了广泛的应用。在进化算法和群体智能优化算法的理论研究、改进以及应用等方面，国内外涌现了许多创造性的研究成果。但其也存在着局限性，最明显的缺点就是收敛问题，包括收敛速度慢和早熟收敛，对复杂问题容易陷入局部的问题最优。其次由于绝大多数随机优化算法包括进化算法和群体智能算法在进化过程中都会重复访问估计解，所以大部分随机优化算法都是重复访问算法，导致计算时间和资源的浪费。虽然很多算法对此类问题进行了改进，但仍然不能满足应用需求。针对进化算法的这些缺点，本课题在前期研究工作的基础上，提出一种全局收敛的群体智能优化算法-基于演化历史信息的群体智能优化算法，并对算法做深入的分析和改进，确保提高其全局搜索能力。同时研究了群体智能优化算法在物联网定位，分子模拟以及生化过程动力学建模的应用及探索。.首先建立二维空间分割树结构记录估计解的位置和适应度值，设计逼近的快速适应度函数模型，引入无参的自适应变异机制，提出算法的基本流程；其次分析对比算法收敛性和收敛率和性能稳定性，对算法进行了进一步优化和改进；最后研究群体智能优化算法在物联网定位和分子模拟的应用，同时探索了代谢途径反问题，即生化过程代谢途径动力学建模，根据实验数据，应用改进算法拟合微分方程，估计系统模型参数，并提出用龙格-库塔法结合正则化技术来提高系统参数估计解得精度。.因此，本课题提出的基于演化历史信息的群体智能优化算法以及对算法的分析和改进具有重要的理论意义，在一定程度上能推动群体智能优化算法的发展；并且由于群体智能优化算法的广泛应用性，本算法将具有重要的应用价值；此外，本课题的研究成果应用于物联网定位，分子模拟等多个工程问题，对于解决其他复杂优化问题也有较强的推广意义。