基于向光性及顶端优势的人工植物算法及其应用

现有的计算智能算法主要模拟了物理化学规律及动物的社会行为，对于植物的生长模式尚未给予足够重视。由于植物对环境的适应能力较强，生长速度较慢，因此，模拟植物的生长过程能为高维多模态优化问题的求解提供一种新的思路。本课题借鉴生物系统的自组织现象，抽取植物生长过程的典型行为，建立具有光合作用算子、向光性算子及顶端优势算子的人工植物算法模型，并设计高效的算子实现方式，研究参数的选择策略，讨论该模型的收敛性、稳定性、计算复杂度等理论问题，以期建立起能反映植物生长过程的人工植物算法体系结构。这一课题的研究将为解决复杂优化问题提供新途径，为丰富群体智能方法提供新思路。

本课题借鉴生物系统的自组织现象，抽取植物生长过程的典型行为，建立具有光合作用算子、向光性算子及顶端优势算子的人工植物算法模型，设计各算子的实现方式，研究参数的自适应选择策略，以期建立起能反映植物生长过程的人工植物算法体系结构。本课题主要研究以下几部分的内容：(1)提出了基本人工植物算法，该算法模拟了植物生长的光合作用现象及向光性现象，并将其应用于神经网络训练问题；(2)通过分析基本人工植物算法的缺陷，提出了标准人工植物算法的框架，并利用典型的无约束优化数值优化问题进行测试；(3)将整个进化代数分为三部分，并有针对性的选择了几种光响应曲线，提出了三阶段光合作用算子；(4)将水分引入植物的生长过程，各枝条同时受到水分及光照的影响，并参考情感空间的OCC模型，提出了模拟情感空间模型的向光性算子，并将其应用于电力系统的无功优化问题；(5)将环境对植物生长速度的影响引入向光性算子，设计了双收缩人工植物算法，并将其应用于无线传感器网络覆盖问题；(6) 向地性是植物生长的一个重要特性，受此现象的启发，将枝条收敛趋向的位置，设置为光源与引力源合力所产生的质心，并以此设计使枝条偏向特定引力源质心的向地性算子；并将其应用于团簇优化问题；(7)为了提供最多的生长方向，占有尽可能多的空间，植物的枝条、叶子在生长过程中遵循黄金分割规律，有鉴于此，提出了基于黄金分割的人工植物算法，并将其应用于蛋白质折叠AB预测模型。本课题的研究将为解决复杂优化问题提供新途径，为丰富智能优化算法提供新思路。