基于协同学习机理的膜计算系统与算法研究

Integrated the computer science and the information processing strategies from biological cell, membrane systems perform well on doing computation and have important applications in various fields. The main scientific problem in membrane computing is that intelligent biological characteristics have not been fully considered; as well the potential applications of the membrane algorithm also need to be further developed in high performance computational and large-scale data mining and so on. In this project, our aim is to design new models and algorithms of membrane systems based on collaborative learning mechanism. Specifically, the project focuses on constructing membrane systems and algorithms with learning mechanism among cells, improving the intelligence of membrane algorithm on dealing with large scale biological data sets. The main content of this research is as follows: 1) studying the way to construct membrane systems and algorithms based on collaborative learning mechanism and their computation theories; 2) constructing algorithm for motif discovery by using the new membrane algorithm; 3) developing software and simulating system for membrane systems based on collaborative learning mechanism. The project-establishment will bring important theoretical and practical significance, in terms of promoting the intelligence of membrane systems and algorithms, and its application in large-scale biological data mining.

在计算机科学和细胞信息处理原理上发展出的膜计算，因具有计算能耗低、计算能力强、并行度高等优点被视为求解计算困难问题的一大利器，其研究的核心问题是如何充分借鉴细胞蕴含的生物机理和计算智能，在高性能计算、大规模数据挖掘等方面发挥其优势。目前膜计算理论成果不断丰富和完善，但对高水平智能信息处理机制的借鉴与模拟较简单，且这方面实际应用研究尚处于探索阶段。本项目研究基于协同学习机理下的膜计算系统与算法，旨在充分借鉴细胞间的学习机理，使膜计算系统和算法的智能化升级，进而探索其在大规模生物数据集挖掘中的应用。研究内容包括：1）基于协同学习机理下的膜计算系统构建及其计算理论研究；2）基于协同学习机理下的大规模生物数据搜索膜算法设计；3）基于协同学习机理的膜计算系统的仿真模块开发。该项目立项，对提升膜系统的智能性及膜计算理论成果推广至实际应用方法，进而在大规模生物数据集挖掘中的应用，都有重要理论与实际意义。

生物计算是借鉴生物细胞、组织、人脑、或其他生物系统中的结构和功能而研究开发的一种新的计算模式。本项目针对当前基于学习机理的膜计算系统和算法的研究需要，从复杂网络和工程控制论的角度，建立能够代表细胞内部及细胞之间的高水平智能信息处理机制的可控模型，进而分析系统的同步动力学行为。我们对于协同学习机制的研究主要是将膜系统的多个计算单元抽象看作具有耦合关系的动态节点，计算单元间的通讯通道抽象为边，形成一张关系网络动态图，即可用线性耦合常微分方程来描述。那么，对于膜系统中的协同学习机制的研究可转化为对这张关系网络动态图中节点的动态行为研究。即在外部刺激或内部消息的触发下，网络中的计算单元通过相互竞争或合作改变自身信息或连接关系，从而达到优化、提高系统智能性的目的，丰富了膜计算的理论成果。. 在此基础上，我们结合群智能方法和膜系统计算理论设计求解计算困难问题的高效算法。为膜计算理论成果推广至实际应用提供依据，并为较大规模数据集处理提供具有能耗低、计算能力强、可靠度高的新方法。针对较大规模的关系网络，提出了一种基于组织膜系统和交换树机制的方法来更新粒子个体，与原方法及其一些改进方法相比，该方法能有效降低算法运行时间。对于关系网络中的连接关系随环境动态变化的问题，设计了新的小生境策略，并从转运规则中得到启发，对非支配解和支配解设计了不同的引导收敛策略。实验结果表明，当环境发生变化时，该算法能够非常快的跟踪到新的近似Pareto前沿，且只需要较小规模种群和较低计算成本。考虑到多准则决策所带来的影响，整合了四种选择策略，和目前常用的五种方法相比，该方法只需要较小规模种群即能始终快速的找到所有的凹点。针对较大规模数据集的特征提取和预处理操作，设计了一种高效的划分机制，即用通信通道控制代替传统的计算单元内部操作来进行特征提取，通过求解较大规模测例分析了算法的计算有效性。