基于先验约束和互补搜索的粒子群优化算法及其在高维小样本数据处理上的应用

Since particle swarm optimization algorithm (PSO) has better global search ability as well as worse local search one for its stochastic search mechanism and the swarm is easy to lose its diversity, PSO has the defects of worse search accuracy and speed. This project will do research on PSO by combing global stochastic search with local deterministic search as well as encoding prior constraints of the involved problems. Firstly, the stochastic global search coupling with the prior constraints by different strategies is used to ensure effective search space. Then, within each solution space determined by the global search, the swarm uses the local search coupling with the prior constraints to perform rapid deterministic local search. New PSO combines the global stochastic search with the local deterministic search and considers the prior constraints, which improves the search ability and speed of PSO dramatically as well as increases the transparency of PSO. Finally, the new PSO is applied to the processing of high-dimensional and small sample size data such as gene expression profile, which includes performing gene selection and establishing the ensemble classification system of extreme learning machines (ELM). The study of this project not only opens up a new thought for the study of swarm intelligence optimization, but also perfects the method of high-dimensional and small sample size data processing. This project is an applicative fundamental research related to intelligent optimization, and the further study of this project may bring about new development of the field of intelligent information processing, and promote the development of other industry in national economic.

粒子群优化算法（PSO）因随机搜索具有良好的全局搜索能力而局部搜索能力较弱，且种群容易失去多样性，所以PSO存在搜索精度不高速度不快的缺陷。本项目将问题的先验约束和互补搜索策略相结合对PSO进行研究。首先，将先验约束通过多种策略编码进随机全局搜索以保证有效搜索空间；其次，在全局搜索的每一个解区，种群通过编码先验约束的局部搜索作快速确定性搜索。新PSO将全局随机搜索和局部确定性搜索相结合并考虑问题的先验约束，大大提高算法的搜索能力和速度，同时增加了PSO的透明性。最后将新PSO应用于高维小样本的基因表达谱数据的处理，包括利用新PSO和先验约束进行基因选择和建立集成极端学习机（ELM）分类系统。本课题的研究不但为群智能优化算法的研究开辟了新的思路，还完善了高维小样本数据处理方法。该课题为与智能优化有关的应用基础研究，它的深入研究会给智能信息处理等领域带来新的发展，并促进国民经济其它行业的发展。

粒子群优化算法（PSO）因随机搜索具有良好的全局搜索能力而局部搜索能力较弱，在复杂问题上存在搜索性能不高的缺陷。本课题首先运用互补搜索策略对PSO进行研究，然后编码问题中先验约束进互补搜索PSO对高维小样本数据进行处理。本课题以高维小样本的基因表达谱数据为研究对象，主要工作包括：（1）基于高维小样本数据的先验约束获取方法研究；（2）基于互补搜索的PSO研究；（3）基于协同搜索的多种群PSO研究；（4）基于先验约束和PSO的高维小样本数据特征选择方法研究；（5）基于先验约束和PSO高维小样本数据分类模型研究；（6）多目标PSO研究。.本课题在PSO及高维小样本数据处理上均取得了优于经典方法的性能，主要体现在：.（1）提出的互补搜索PSO既保持了有效搜索空间，又提高了局部搜索速度。在CEC等多个复杂数据集上，互补搜索PSO取得了优于经典PSO和混合搜索算法的性能。.（2）相对于经典基因选择方法，本课题在多个基因表达谱数据集上优选出更紧凑低冗余的关键基因子集，如在Leukemia、Colon、SRBCT、Brain cancer和Lymphoma上分别优选出3，6，6，3和5个关键基因。各种分类器在本课题选出的基因子集上肿瘤识别率高于它们在经典基因选择方法选出基因子集上的识别率，特别地，在Brain cancer和Lymphoma数据集上肿瘤识别率提高的幅度超过10%。.（3）本课题基因选择方法不但能选出公认的关键基因，而且还发现新的与肿瘤类别相关的基因（如SRBCT数据集中的基因183337），为肿瘤临床诊断提供支持。.（4）相对于经典基因表达谱数据分类方法，本课题提出的基于PSO和先验约束的单分类模型和集成分类模型在多个基因表达谱数据集上的识别准确率都有较大地提高。.本课题将基于先验信息的符号学习与基于数据的统计学习有效结合，提高了计算智能的可解释性，发展了PSO，并为高维小样本数据的处理开辟了新途径，推动智能信息处理的发展。本课题提出的理论方法具有良好的普适性和可扩展性，可应用于其它高维小样本数据（如人脸图像、卫星遥感图像等）处理上，具有良好的应用前景。