Memetic网络模型及其自适应进化学习算法研究

Since existing Memetic algorithms are weak in approximating complex data and existing Immune network models are weak in adaptive ability, this project aims at integrating these two types of algorithms in depth. First, a model to simulate the regulation process of the nervous system to the immune system will be construct, and then the new model will be combined with the Lamarck and Baldwin learning mechanism and collaborative learning strategy. Finally, a Memetic network model with local adaptive ability and learning capability will be proposed. To validate the correctness and effectiveness, this new model will be applied to complex data clustering and SAR image segmentation problems. The outcome of this project will be helpful in breaking through the traditional ideal of "Evolutioan+Learning" in the field of Memetic computing, and further widening the research field of Memetic computing. This project will publish 10-12 papers in major journals and conferences, apply 2-3 patents, and supervise 3-5 Ph.D and Master candidates in co-culture.

本项目针对现有Memetic算法对复杂数据结构逼近能力弱和已有免疫网络模型自适应能力弱的缺陷，拟将两者相结合，构造神经系统对免疫系统的调节模型，结合拉马克、班德文学习机理，建立具备局部自适应学习能力的Memetic网络模型，并将新模型用于复杂数据聚类和SAR图像分割等问题，以验证算法的正确性和有效性。本课题的研究成果将有助于突破目前Memetic计算领域关注于进化＋学习的研究思路，拓展Memetic计算的研究范畴。研究成果拟在主流期刊和会议上发表论文10～12篇，申报专利2～3项，联合培养博士、硕士3～5人。

本项目将memetic算法与模糊聚类相结合，提出了基于粗糙集与差分免疫的模糊聚类算法，并将其应用于图形分割领域中，以达到目标识别和分析的目的。对于遥感图像配准问题，提出了基于快速采样一致性模型的遥感图像点配准方法，该方法可以得到鲁棒，快速，准确的结果。将正交学习策略和差分进化算法相结合，提出了基于正交学习差分进化算法的遥感图像配准方法，其鲁棒性和收敛性都有了明显的提升。我们将信息融合和模糊聚类相结合，提出了基于信息融合的遥感图像变化检测方法，能够利用两种常用的比值算子产生的差异图的优点，从而使得生成的差异图能够具有更多的关于图像变化的信息。将核度量引入模糊动态轮廓模型，提出了基于水平集的核度量模糊动态轮廓模型的图像分割方法，其轮廓的演化更加平稳和鲁棒。同时，对于推荐系统问题，提出了经过融合后的双向扩散算法，推荐系统性能在原来基础上取得了长足的提升。研究成果在国内外权威期刊和国际知名会议上共计发表论文15篇，其中SCI检索11篇，申请国家发明专利43项，其中4项已授权, 培养博士研究生2人、硕士研究生3人。