基于社会与精英共治演化模型的群体智能算法研究

本课题研究一种群体智能的社会与精英共治演化(Society-Elite Co-governed Evolution, SECE)模型，在此基础上设计一种新的群体智能算法，即社会优化(Social Opitmization，SO)算法，并将该算法应用于代谢途径建模和通量评估。首先，在深入研究人类社会群体认知和决策的内在机制上，以群体的社会与精英共同决策模式为基础，建立SECE模型和随机SECE模型，对模型进行动力学分析；其次，基于随机SECE模型，设计几种操作算子和社会优化算法的流程，并从理论上分析算法的收敛性、复杂性和稳定性；同时，将SO算法应用于生化代谢途径的动力学建模和代谢通量评估，实现代谢物产量的优化。本课题的研究对群体行为建模和群体智能算法领域具有重要的理论意义和应用价值，算法在代谢工程中的应用有一定的推广价值。

本项目对群体智能的理论和应用问题进行了研究。研究内容包括：群体智能社会与精英共治模型的动力学行为、群体智能算法的设计、群体智能优化算法的理论分析、群体智能算法的应用。首先研究了量子行为粒子群优化算法的社会与精英共治演化模型的动力学行为，分析粒子随机稳定性的充分必要条件，为算法的参数选择提供了理论指导。其次，基于社会与精英共治演化模型和金属导体自由电子模型，提出了随机漂移随机漂移粒子群优化算法的算法框架，分析了算法中粒子随机稳定性的充分必要条件，给出了一个粒子随机稳定性的充分条件。第三，研究的群体智能算法的全局收敛性条件， 定义了算法的收敛率并提出了算法的三种收敛特性，包括：线性收敛、亚线性收敛和超线性收敛，以量子行为粒子群算法为例，分析了算法的时间复杂性。最后，研究了群体智能算法的应用，包括在生物信息、系统生物学、电力调度等领域的应用。由于群体智能算法的通用性，本项目的研究对群体智能算法领域具有重要的理论意义和应用价值，算法在具体领域中的应用有一定的推广价值。