[发明专利]一种基于章鱼学习记忆系统仿生的混合进化方法

权利要求书

1.一种基于章鱼学习记忆系统仿生的混合进化方法，其特征在于，其步骤如下：

步骤(1)：设定个体编码及初始化种群，具体步骤如下：

一个RNA分子的核糖核酸由四个碱基组成，分别是胞嘧啶(C)，尿嘧啶(U)，腺嘌呤(A)和鸟嘌呤(G)，采用四个数字0(00)，1(01)，2(10)，3(11)来分别替代时胞嘧啶(C)、尿嘧啶(U)、腺嘌呤(A)和鸟嘌呤(G)；

步骤(2)：构建学习记忆网络：

章鱼独特的垂直叶系统是通过基本的扇出扇入两个突触层网络实现的，能处理感知信息和建立记忆,第一扇出突触层传入环境信息和自身姿态信息，在扇入突触层进行计算处理，并且扇入突触层具有记忆功能；使用两个网络S和V，S作为感知网络，用于模拟第一扇出突触层，对种群个体进行筛选并将筛选后的个体映射到S网络中，并记录该个体所在区域是否进行了局部搜索，V网络作为记忆网络，与垂直叶结构的扇入突触层相对应，通过局部搜索计算筛选后种群个体所在区域的最优解，并存储算法中个体所在区域的最优解，同时具有记忆功能，如对该区域进行过局部搜索，则将该区域的最优个体直接进行替换，无需重复计算；

步骤(3)：个体选择操作：

为了剔除局部最小点附近的种群个体，根据学习记忆网络中的值来选择个体，如果种群个体所在区域的评价值大于设定阈值，说明这个个体有可能进化成局部最优点，需要剔除，；同时为了保持种群的多样性，在进行选择的时候选择最优的最差的后十个个体组成新的种群进行后面的操作；

步骤(4)：个体交叉：

交叉是产生新个体的重要方法，两个染色体之间通过交叉重组产生新的个体，交叉就是在染色体中随机的选择基因序列，根据RNA链的特点，采用等长交叉和置换操作来完成个体交叉；

步骤(5)：个体变异操作：

为了模拟生物RNA的特性，设置两种不同的变异概率，即高位突变概率和低位突变概率，按照高低位突变概率进行变异，在种群开始迭代时采用高位突变概率来增加全局搜索能力，在种群迭代一半后采用低位突变概率来增强局部搜索能力。

2.根据权利要求1所述的，一种基于章鱼学习记忆系统仿生的混合进化方法，其特征在于，步骤2具体步骤如下：根据种群个体取值边界值设置两个n*n的网络S和V；S网络初始化为0，0表示未进行搜索，1表示已经进行过搜索，S网络用于存储是否进行过局部搜索，V网络用于存储最优解；

首先取出当前代中的最优的种群个体A(x1,x2),将该个体映射到S网络，映射公式如下：

其中是取整，x_left是个体的左边界，x_right是个体的右边界，查看对应S网络的值，若为0，则说明没有进行过局部搜索，计算其领域范围得到个体所在区域，其中a，b为根据种群个体边界值选择的定值，然后在计算得到的领域范围内使用蚁群算法进行局部搜索，寻找该领域范围内的最优解用于替换原来的种群个体A，并将对应S网络的值设置为1，同时将最优解记录在对应的V网络中；若S网络的值为1，则表示对该区域已经进行过局部搜索，则将对应V网络的最优解替换个体A；将种群个体按照适应度由低到高排序，x_i表示排序为i的个体，x为上述种群个体A，构造一个评价函数val如下：

其中，|x_i-x|为第i个个体和种群个体A的欧式距离，|f(x_i)-f(x)|为两个个体的适应度值的差，λ是评价函数的权重因子；当val≥ε时，(ε为设定的阈值)，说明x_i所在的区域为可能为局部最小值区域，将种群个体x_i映射到S网络,若S网络对应的值为1，则将对应的V网络最优解与个体A进行比较，若S网络对应的值为0，则将S网络的值置1，并用蚁群算法进行局部搜索得到最优解，同时在网络V中进行实时更新，将适应度值与种群个体A的适应度值进行比较；如果个体A的适应度值大，则个体A为局部最优解，反之则个体x_i为局部最优解。