智能優(yōu)化算法解析第7章

基于智能優(yōu)化算法的實(shí)際問題

求解案例7.1一類污水處理系統(tǒng)的智能評判優(yōu)化控制設(shè)計(jì)7.2基于細(xì)菌覓食優(yōu)化的蛋白質(zhì)功能模塊檢測7.3基于螢火蟲算法的腦效應(yīng)連接網(wǎng)絡(luò)學(xué)習(xí)主要內(nèi)容CONTENTS3基于智能優(yōu)化算法的實(shí)際問題求解案例本章探討智能優(yōu)化算法在新興戰(zhàn)略領(lǐng)域?qū)嶋H問題中的應(yīng)用案例，旨在為智能優(yōu)化算法在現(xiàn)實(shí)應(yīng)用領(lǐng)域的研究提供參考和啟示。導(dǎo)讀污水處理系統(tǒng)智能評判優(yōu)化控制設(shè)計(jì)：利用智能算法，提高水質(zhì)、降低能耗基于細(xì)菌覓食優(yōu)化的蛋白質(zhì)功能模塊檢測：利用智能算法，提高模塊檢測性能基于螢火蟲算法的腦效應(yīng)連接網(wǎng)絡(luò)學(xué)習(xí)：利用智能算法，識別腦區(qū)因果關(guān)系7.1一類污水處理系統(tǒng)的智能評判優(yōu)化控制設(shè)計(jì)57.1.1

污水處理過程的基本運(yùn)行原理基于智能優(yōu)化的污水處理系統(tǒng)設(shè)計(jì)核心步驟一：建立能耗以及水質(zhì)的預(yù)測模型。利用徑向基函數(shù)(RadialBasisFunction,RBF)神經(jīng)網(wǎng)絡(luò)與歷史數(shù)據(jù)，構(gòu)建能耗與水質(zhì)的預(yù)測模型核心步驟二：搜索最優(yōu)解。應(yīng)用多目標(biāo)粒子群優(yōu)化算法，基于模型找出最優(yōu)解集，選擇最優(yōu)設(shè)定值核心步驟三：實(shí)現(xiàn)智能評判優(yōu)化控制。設(shè)計(jì)智能控制器，維持溶解氧和硝態(tài)氮濃度在最優(yōu)設(shè)定值67.1.1

污水處理過程的基本運(yùn)行原理污水處理系統(tǒng)基本原理：本課程考慮的污水處理系統(tǒng)主要包括曝氣池、二沉池及回流系統(tǒng)。污水與活性污泥混合曝氣，微生物分解有機(jī)物后，混合液進(jìn)入二沉池分離泥水，部分污泥回流保持濃度，剩余污泥排出系統(tǒng)作用：該系統(tǒng)能夠有效去除有機(jī)物，適用于城市污水處理過程，具有高效凈化、操作簡便等優(yōu)點(diǎn)進(jìn)水出水污水處理曝氣池沉淀池處理水脫磷處理水含磷污泥+脫磷水(吸收磷,去除生化需氧量)原污水(含磷)混合池石灰含磷污水除磷池脫磷水回流脫磷水沉淀池緩速攪拌沖洗水(厭氧)含磷污泥剩余污泥排放脫磷污泥回流(用于吸收磷)含磷污泥77.1.1

污水處理過程的基本運(yùn)行原理污水處理能耗和水質(zhì)模型如圖所示，通過改變污水處理系統(tǒng)的控制輸入來調(diào)整關(guān)鍵變量濃度，保證污水處理過程中的除氮效果。該過程中，需要關(guān)注如下兩個(gè)指標(biāo)：能耗：表征污水處理過程運(yùn)行成本，與氧傳遞系數(shù)和內(nèi)回流量相關(guān)水質(zhì)指標(biāo)：污染物超標(biāo)引起的罰款，與排出水中關(guān)鍵物質(zhì)濃度相關(guān)87.1.1

污水處理過程的基本運(yùn)行原理污水處理能耗和水質(zhì)模型能耗EC的具體定義如下水質(zhì)指標(biāo)EQ的具體定義如下為避免水體富營養(yǎng)化，存在如下約束條件97.1.1

污水處理過程的基本運(yùn)行原理污水處理優(yōu)化模型運(yùn)行能耗和出水水質(zhì)是污水處理過程中兩個(gè)重要的評價(jià)指標(biāo)。因此，可將污水處理的設(shè)定值優(yōu)化抽象為帶有約束的多目標(biāo)優(yōu)化問題。對于此類污水處理過程的多目標(biāo)優(yōu)化問題，可將其描述為式中，t為時(shí)間變量，x為決策變量，f(x,t)為優(yōu)化目標(biāo)函數(shù)，和分別表示不等式約束和等式約束條件。最終，得到優(yōu)化目標(biāo)函數(shù)107.1.2

多目標(biāo)智能優(yōu)化算法描述污水處理過程的數(shù)據(jù)驅(qū)動(dòng)模型污水處理過程是一個(gè)具有大量擾動(dòng)的復(fù)雜非線性系統(tǒng)。為了模擬污水處理過程中的動(dòng)態(tài)特性，利用RBF神經(jīng)網(wǎng)絡(luò)建立能耗和出水水質(zhì)與過程變量之間的數(shù)據(jù)驅(qū)動(dòng)模型11污水處理過程的數(shù)據(jù)驅(qū)動(dòng)模型水質(zhì)和能耗網(wǎng)絡(luò)模型的輸入?yún)?shù)是根據(jù)污水處理中影響能耗和水質(zhì)的關(guān)鍵因素確定的。這些關(guān)鍵因素包括溶解氧濃度、硝態(tài)氮濃度、氨氮質(zhì)量濃度

、總氮質(zhì)量濃度、化學(xué)需氧量、生化需氧量等?；诖?，網(wǎng)絡(luò)輸入變量具體選擇為選擇RBF神經(jīng)網(wǎng)絡(luò)作為實(shí)現(xiàn)工具的原因：局部逼近能力簡單而高效的結(jié)構(gòu)良好的泛化能力易于理解和實(shí)現(xiàn)7.1.2

多目標(biāo)智能優(yōu)化算法描述則粒子速度和位置的更新規(guī)則為定義第i個(gè)粒子的速度為127.1.2

多目標(biāo)智能優(yōu)化算法描述求解設(shè)定值的多目標(biāo)優(yōu)化算法為了同時(shí)滿足降低能耗和提高出水水質(zhì)的要求，采用多目標(biāo)粒子群算法來求解溶解氧和硝態(tài)氮濃度的設(shè)定值。每個(gè)粒子都有一個(gè)表示其在搜索空間中坐標(biāo)的位置向量，并使用速度向量更新位置向量。第i個(gè)粒子的位置信息為其中，k為迭代指標(biāo)，H為粒子種群的個(gè)體數(shù)量，D是粒子的探索空間維數(shù)。137.1.2

多目標(biāo)智能優(yōu)化算法描述求解設(shè)定值的多目標(biāo)優(yōu)化算法初始化：給定算法參數(shù)，隨機(jī)生成粒子群評估適應(yīng)度：計(jì)算每個(gè)粒子的多個(gè)目標(biāo)函數(shù)值更新全局和個(gè)體最優(yōu)：更新當(dāng)前迭代中的最優(yōu)解集，根據(jù)非支配關(guān)系更新g_best和p_best更新粒子位置和速度：使用p_best和g_best信息來更新每個(gè)粒子的位置和速度更新存儲庫：根據(jù)支配關(guān)系更新當(dāng)前最優(yōu)解的存儲庫停止條件判斷：達(dá)到最大迭代次數(shù)或滿足其他停止條件時(shí)終止算法，否則返回③輸出結(jié)果：輸出最優(yōu)解集系統(tǒng)函數(shù)14污水處理系統(tǒng)中的軌跡跟蹤問題確定溶解氧和硝態(tài)氮濃度的最優(yōu)設(shè)定值之后，需要設(shè)計(jì)控制策略，使其保持在最優(yōu)設(shè)定值上。從控制的角度分析，該任務(wù)可看作是一個(gè)關(guān)于未知非線性系統(tǒng)的軌跡跟蹤問題。狀態(tài)變量控制輸入跟蹤誤差7.1.3

智能跟蹤控制器設(shè)計(jì)其中，

表示溶解氧濃度；

表示硝態(tài)氮濃度；Kla

表示生化反應(yīng)池第五單元的氧傳遞系數(shù)；Qa表示內(nèi)回流量；r表示搜索到的最優(yōu)設(shè)定值。15增量式PID控制目前，許多污水處理廠使用增量式Proportional-Integral-Differential(PID)控制來完成溶解氧和硝態(tài)氮濃度對設(shè)定值的跟蹤，該控制策略可以表示為其中，、和分別表示PID控制中的比例系數(shù)矩陣、積分系數(shù)矩陣和微分系數(shù)矩陣。事實(shí)上，傳統(tǒng)控制器本身結(jié)構(gòu)簡單易實(shí)現(xiàn)，但污水處理系統(tǒng)中PID控制器的維護(hù)復(fù)雜。因此，在保持原控制器不變的基礎(chǔ)上，設(shè)計(jì)了一個(gè)基于智能評判設(shè)計(jì)的輔助控制器，實(shí)現(xiàn)對傳統(tǒng)控制律的增強(qiáng)和優(yōu)化。7.1.3

智能跟蹤控制器設(shè)計(jì)167.1.3

智能跟蹤控制器設(shè)計(jì)評判網(wǎng)絡(luò)與執(zhí)行網(wǎng)絡(luò)這里選擇反向傳播(Back-Propagation,BP)神經(jīng)網(wǎng)絡(luò)作為通用函數(shù)逼近器，其中，構(gòu)建評判網(wǎng)絡(luò)用來近似代價(jià)函數(shù)，執(zhí)行網(wǎng)絡(luò)用來產(chǎn)生補(bǔ)充控制信號。評判網(wǎng)絡(luò)執(zhí)行網(wǎng)絡(luò)17污水處理過程智能評判優(yōu)化控制框架7.1.4

實(shí)驗(yàn)分析1.利用RBF神經(jīng)網(wǎng)絡(luò)建立能耗與水質(zhì)預(yù)測模型2.利用多目標(biāo)粒子群優(yōu)化算法搜索設(shè)定值的最優(yōu)解集3.利用BP神經(jīng)網(wǎng)絡(luò)智能評判設(shè)計(jì)，實(shí)現(xiàn)溶解氧和硝態(tài)氮濃度對最優(yōu)設(shè)定值的精確跟蹤18預(yù)測效果與優(yōu)化結(jié)果取344組數(shù)據(jù)作為能耗和水質(zhì)模型的測試集，測試結(jié)果如下左圖所示?；谠擃A(yù)測模型，采用多目標(biāo)粒子群優(yōu)化算法搜索設(shè)定值的最優(yōu)解集，最終結(jié)果如下右圖所示。7.1.4

實(shí)驗(yàn)分析19控制效果基于智能評判控制設(shè)計(jì)，溶解氧濃度和硝態(tài)氮濃度在晴天下對最優(yōu)設(shè)定值的跟蹤效果如下圖所示，實(shí)現(xiàn)了對最優(yōu)設(shè)定值的精確跟蹤。7.1.4

實(shí)驗(yàn)分析7.2基于細(xì)菌覓食優(yōu)化的蛋白質(zhì)網(wǎng)絡(luò)功能模塊檢測217.2.1

PPI網(wǎng)絡(luò)及其蛋白質(zhì)功能模塊檢測PPI網(wǎng)絡(luò)在生命活動(dòng)中，蛋白質(zhì)是生物功能的直接執(zhí)行者，很少以獨(dú)立的方式實(shí)現(xiàn)生物功能，一般都是通過彼此之間的相互作用來完成生物功能生命科學(xué)的研究表明，對蛋白質(zhì)相互作用的研究不僅能從系統(tǒng)角度理解各種生物學(xué)過程，揭示疾病的發(fā)生機(jī)制，而且能夠幫助人們尋找新的藥物靶標(biāo)，為新藥研發(fā)起到積極的作用PPI

(Protein-ProteinInternationNetwork)網(wǎng)絡(luò)是指一個(gè)生命有機(jī)體內(nèi)的所有蛋白質(zhì)之間相互作用組成的網(wǎng)絡(luò)在一個(gè)PPI網(wǎng)絡(luò)中，不同時(shí)間和空間階段通過相互作用完成某一特定分子進(jìn)程的蛋白質(zhì)集合稱為蛋白質(zhì)功能模塊面對大量可用的PPI網(wǎng)絡(luò)數(shù)據(jù)，如何快速、有效地識別各種具有生物學(xué)功能的蛋白質(zhì)功能模塊就成為蛋白質(zhì)組學(xué)研究中一項(xiàng)極為關(guān)鍵的科學(xué)問題227.2.1

PPI網(wǎng)絡(luò)及其蛋白質(zhì)功能模塊檢測蛋白質(zhì)功能模塊檢測的現(xiàn)狀傳統(tǒng)生物實(shí)驗(yàn)的方法在檢測費(fèi)用、時(shí)間和質(zhì)量上有很大的局限性，無法滿足后基因時(shí)代人類對生命科學(xué)研究的實(shí)際需要以數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)為基礎(chǔ)，通過檢測PPI網(wǎng)絡(luò)中緊密連接的區(qū)域來發(fā)現(xiàn)功能模塊的計(jì)算方法迅速興起，成為當(dāng)前檢測蛋白質(zhì)功能模塊的有效手段基于群智能的聚類方法是該領(lǐng)域的一個(gè)研究熱點(diǎn)本節(jié)將介紹一種基于細(xì)菌覓食優(yōu)化的蛋白質(zhì)功能模塊檢測算法

(BactorialForagingOptimizationforFunctionalModuleDetection,BFO-FMD)237.2.1

PPI網(wǎng)絡(luò)及其蛋白質(zhì)功能模塊檢測蛋白質(zhì)功能模塊檢測的流程基于計(jì)算方法的PPI網(wǎng)絡(luò)蛋白質(zhì)功能模塊檢測通常包括五個(gè)步驟：數(shù)據(jù)預(yù)處理、PPI網(wǎng)絡(luò)構(gòu)建、聚類過程、后處理、功能模塊輸出PPI網(wǎng)絡(luò)構(gòu)建、聚類過程和功能模塊輸出是三個(gè)基本且必要的步驟PPI數(shù)據(jù)預(yù)處理和功能模塊后處理是兩個(gè)可選的步驟247.2.2

算法描述個(gè)體解表示每個(gè)細(xì)菌代表一個(gè)功能模塊劃分，即一個(gè)蛋白質(zhì)節(jié)點(diǎn)聚類結(jié)果，采用隨機(jī)游走的方式，基于節(jié)點(diǎn)之間的相似性遍歷所有蛋白質(zhì)節(jié)點(diǎn)，從而形成初始解：其中，表示一個(gè)蛋白質(zhì)節(jié)點(diǎn)編號；代表蛋白質(zhì)節(jié)點(diǎn)編號指向的蛋白質(zhì)節(jié)點(diǎn)編號；是PPI網(wǎng)絡(luò)中蛋白質(zhì)節(jié)點(diǎn)數(shù)量個(gè)體解表示方式和初始化過程：（a）PPI網(wǎng)絡(luò)；（b）初始化過程；（c）得到的個(gè)體解；（d）與個(gè)體解對應(yīng)的功能模塊257.2.2

算法描述個(gè)體解初始化過程在初始化過程中，每個(gè)細(xì)菌首先隨機(jī)選擇一個(gè)初始蛋白質(zhì)節(jié)點(diǎn)，然后基于隨機(jī)游走行為遍歷PPI網(wǎng)絡(luò)中其它蛋白質(zhì)節(jié)點(diǎn)，具體如下：細(xì)菌在當(dāng)前蛋白質(zhì)節(jié)點(diǎn)下，選擇并移動(dòng)到與當(dāng)前蛋白質(zhì)節(jié)點(diǎn)相似的某個(gè)節(jié)點(diǎn)上，并在兩個(gè)蛋白質(zhì)節(jié)點(diǎn)之間建立一條連接通常兩個(gè)蛋白質(zhì)節(jié)點(diǎn)的相似性越高，它們之間的連接強(qiáng)度越大若細(xì)菌在當(dāng)前蛋白質(zhì)節(jié)點(diǎn)下，沒有滿足相似條件的蛋白質(zhì)節(jié)點(diǎn)，則當(dāng)前蛋白質(zhì)節(jié)點(diǎn)指向自己，建立一條自連接，同時(shí)結(jié)束相應(yīng)的遍歷路徑然后細(xì)菌隨機(jī)選擇另一個(gè)沒有被遍歷的蛋白質(zhì)節(jié)點(diǎn)，開始新的隨機(jī)游走過程，這個(gè)過程持續(xù)進(jìn)行，直到網(wǎng)絡(luò)中所有蛋白質(zhì)節(jié)點(diǎn)都被遍歷完為止267.2.2

算法描述個(gè)體解初始化過程對于兩個(gè)蛋白質(zhì)節(jié)點(diǎn)

和，其結(jié)構(gòu)相似性定義為：式中，是蛋白質(zhì)節(jié)點(diǎn)相似性閾值；和分別表示兩個(gè)蛋白質(zhì)節(jié)點(diǎn)和的結(jié)構(gòu)相似性和功能相似性在初始化過程中，蛋白質(zhì)節(jié)點(diǎn)

的相似節(jié)點(diǎn)集合定義為：對于兩個(gè)蛋白質(zhì)節(jié)點(diǎn)

和，其功能相似性定義為：是由蛋白質(zhì)節(jié)點(diǎn)和其鄰居節(jié)點(diǎn)組成的集合，表示中含有的蛋白質(zhì)節(jié)點(diǎn)數(shù)量和分別表示蛋白質(zhì)節(jié)點(diǎn)和的功能注釋條目277.2.2

算法描述BFO-FMD的趨向機(jī)制移動(dòng)方向被定義為隨機(jī)掩碼向量，向量中每個(gè)分量的值依據(jù)預(yù)設(shè)概率取值為0或者1細(xì)菌執(zhí)行趨向機(jī)制時(shí)，首先生成掩碼向量，并隨機(jī)選擇另一個(gè)細(xì)菌然后逐維檢查掩碼向量的每個(gè)分量，值為1時(shí)，比較兩個(gè)細(xì)菌相應(yīng)維度的連接強(qiáng)度，如果執(zhí)行趨向機(jī)制細(xì)菌的連接強(qiáng)度小于選定細(xì)菌的連接強(qiáng)度，則用選定細(xì)菌相應(yīng)維度的連接替換當(dāng)前細(xì)菌自己的連接在檢查完

中每個(gè)分量后，當(dāng)前細(xì)菌便形成了一個(gè)新解（相當(dāng)于細(xì)菌沿著翻轉(zhuǎn)方法游動(dòng)到一個(gè)新位置）趨向機(jī)制產(chǎn)生新解的示意圖287.2.2

算法描述BFO-FMD的接合機(jī)制接合機(jī)制模擬了供體細(xì)菌通過與受體細(xì)菌直接接觸后將自己的一部分遺傳物質(zhì)轉(zhuǎn)移給受體細(xì)菌的接合行為，可增強(qiáng)細(xì)菌個(gè)體間信息交流和加快算法收斂在BFO-FMD中，接合機(jī)制中信息交流的程度用蛋白質(zhì)連接的數(shù)目L來衡量執(zhí)行接合機(jī)制的細(xì)菌首先會隨機(jī)選擇另外一個(gè)細(xì)菌個(gè)體和發(fā)生接合行為的起始位置Bt然后執(zhí)行接合機(jī)制的細(xì)菌將其第Bt個(gè)到第(Bt+L-1)個(gè)連接替換為選定細(xì)菌相應(yīng)的連接，從而得到一個(gè)新解接合機(jī)制產(chǎn)生新解的示意圖297.2.2

算法描述BFO-FMD的復(fù)制機(jī)制菌群每執(zhí)行完次趨向機(jī)制和次接合機(jī)制，執(zhí)行一次復(fù)制機(jī)制復(fù)制機(jī)制本質(zhì)上是根據(jù)細(xì)菌健康程度進(jìn)行優(yōu)勝劣汰的過程細(xì)菌的健康程度依據(jù)其所表示的解的模塊度來衡量。細(xì)菌所表示的解的模塊度越高，相應(yīng)細(xì)菌就越健康具體實(shí)現(xiàn)過程為：首先菌群中所有個(gè)體根據(jù)其所表示解的模塊度降序排列；然后一半數(shù)量的模塊度較高的細(xì)菌每個(gè)分裂為兩個(gè)相同的子細(xì)菌，即兩個(gè)子細(xì)菌擁有完全相同的功能模塊劃分，另一半模塊度較低的細(xì)菌則被遺棄307.2.2

算法描述BFO-FMD的遷徙機(jī)制菌群每執(zhí)行完次復(fù)制機(jī)制，執(zhí)行一次遷徙機(jī)制菌群中的每個(gè)細(xì)菌個(gè)體會以一定的概率被重新初始化，具體規(guī)則為：式中，是遷徙概率；是細(xì)菌表示的當(dāng)前蛋白質(zhì)功能模塊劃分。對于每個(gè)細(xì)菌個(gè)體而言，如果隨機(jī)數(shù)

小于遷徙概率

，相應(yīng)的細(xì)菌便被重新初始化為一個(gè)新蛋白質(zhì)功能模塊劃分

；否則細(xì)菌保持原有蛋白質(zhì)功能模塊劃分

不變。

317.2.2

算法描述BFO-FMD的后處理操作當(dāng)?shù)^程結(jié)束后，兩個(gè)后處理操作對優(yōu)化過程中得到的蛋白質(zhì)功能模塊劃分做進(jìn)一步的處理第一個(gè)操作從功能相似性的角度迭代地融合擁有最大功能相似度的兩個(gè)功能模塊，直到任意兩個(gè)模塊的功能相似度都不大于融合閾值為止兩個(gè)模塊

和

的功能相似度計(jì)算公式為：式中，表示來自不同蛋白質(zhì)功能模塊

和

中任意兩個(gè)蛋白質(zhì)節(jié)點(diǎn)

和

的功能相似度，定義如下式327.2.2

算法描述BFO-FMD的后處理操作第二個(gè)操作從拓?fù)浣Y(jié)構(gòu)的角度過濾模塊集合中連接稀疏的蛋白質(zhì)功能模塊該操作首先計(jì)算每個(gè)蛋白質(zhì)功能模塊的密度，然后過濾掉密度值小于閾值

的蛋白質(zhì)功能模塊蛋白質(zhì)功能模塊密度的計(jì)算公式為：式中，和分別是蛋白質(zhì)功能模塊中的連接數(shù)和蛋白質(zhì)節(jié)點(diǎn)數(shù)337.2.3

實(shí)驗(yàn)分析數(shù)據(jù)集3個(gè)酵母菌PPI數(shù)據(jù)集標(biāo)準(zhǔn)模塊集：428個(gè)功能模塊347.2.3

實(shí)驗(yàn)分析實(shí)驗(yàn)結(jié)果在三個(gè)數(shù)據(jù)集上得到的運(yùn)行結(jié)果的基本統(tǒng)計(jì)信息：上表格提供了檢測到的模塊數(shù)量、檢測到的模塊的平均大?。ê械鞍踪|(zhì)的平均數(shù)量）、至少匹配一個(gè)標(biāo)準(zhǔn)模塊的檢測模塊數(shù)量()、至少匹配一個(gè)檢測模塊的標(biāo)準(zhǔn)模塊數(shù)量()，以及精度、召回率和F度量指標(biāo)值FMD-FMD算法在ScereCR20150101數(shù)據(jù)集上檢測到了324個(gè)功能模塊；每個(gè)功能模塊平均含有5.18個(gè)蛋白質(zhì)；在324個(gè)功能模塊中有158個(gè)模塊成功匹配了標(biāo)準(zhǔn)模塊；在428個(gè)標(biāo)準(zhǔn)模塊中有244個(gè)模塊匹配到了檢測得到的功能模塊；且精度、召回率、F度量分別為0.58、0.24、0.34357.2.3

實(shí)驗(yàn)分析實(shí)驗(yàn)結(jié)果在ScereCR20150101數(shù)據(jù)集上關(guān)于值的統(tǒng)計(jì)結(jié)果：第一列顯示了

值三方面的生物學(xué)意義第二列至第五列為在相應(yīng)

值區(qū)間內(nèi)檢測到的功能模塊數(shù)量最后一列是得到的具有生物學(xué)意義的功能模塊所占的比例從該表可以看出，BFO-FMD得到的功能模塊中有一半的功能模塊都具有較高的生物學(xué)意義367.2.3

實(shí)驗(yàn)分析實(shí)驗(yàn)結(jié)果具體功能模塊舉例：Anaphase-Promoting功能模塊：（a）真實(shí)模塊；（b）BFO-FMD得到的模塊BFO-FMD算法檢測到的對應(yīng)功能模塊中含有14個(gè)蛋白質(zhì)，與真實(shí)Anaphase-Promoting功能模塊成功地匹配了14個(gè)蛋白質(zhì)除了孤立蛋白質(zhì)外，BFO-FMD算法的檢測結(jié)果只差了一個(gè)蛋白質(zhì)ygr225w實(shí)驗(yàn)結(jié)果再一次表明BFO-FMD算法具有良好的PPI網(wǎng)絡(luò)功能模塊檢測性能

7.3基于螢火蟲算法的腦效應(yīng)連接網(wǎng)絡(luò)學(xué)習(xí)38腦科學(xué)發(fā)展7.3.1

研究背景螢火蟲算法作為群智能優(yōu)化技術(shù)，在腦效應(yīng)連接網(wǎng)絡(luò)識別中展現(xiàn)潛力。FAEC方法通過初始化螢火蟲為簡單網(wǎng)絡(luò)，經(jīng)定向/隨機(jī)移動(dòng)優(yōu)化結(jié)構(gòu)，并周期復(fù)制最優(yōu)個(gè)體，有效學(xué)習(xí)高質(zhì)量腦效應(yīng)連接網(wǎng)絡(luò)，促進(jìn)腦科學(xué)與AI交叉領(lǐng)域發(fā)展。腦效應(yīng)連接網(wǎng)絡(luò)作為解析腦區(qū)間因果功能交互的關(guān)鍵工具，當(dāng)前研究聚焦于利用高精度神經(jīng)影像數(shù)據(jù)分析其網(wǎng)絡(luò)特性揭示人腦功能復(fù)雜性，并為腦疾病早期診斷與個(gè)性化治療提供新視角。盡管面臨數(shù)據(jù)采集與分析等挑戰(zhàn)，但其研究正快速發(fā)展，展現(xiàn)出廣闊的應(yīng)用前景。39腦效應(yīng)連接學(xué)習(xí)概述7.3.1

腦效應(yīng)連接學(xué)習(xí)概述腦效應(yīng)連接：可以被描述為一個(gè)腦神經(jīng)系統(tǒng)(腦區(qū))直接或間接地施加于另一個(gè)腦神經(jīng)系統(tǒng)的影響。通常腦效應(yīng)連接網(wǎng)絡(luò)可以抽象為一種由節(jié)點(diǎn)和有向邊構(gòu)成的圖模型，其中節(jié)點(diǎn)表示腦區(qū)，有向邊表示腦區(qū)之間的效應(yīng)連接。腦功能磁共振成像(fMRI)：利用磁場中脫氧血紅蛋白的順磁性和氧合血紅蛋白的抗磁性差異，監(jiān)測大腦激活時(shí)局部血氧水平變化導(dǎo)致的磁場變化，即BOLD信號，以高分辨率時(shí)間序列反映神經(jīng)活動(dòng)。40腦效應(yīng)連接學(xué)習(xí)概述7.3.1

腦效應(yīng)連接學(xué)習(xí)概述從fMRI數(shù)據(jù)中進(jìn)行腦效應(yīng)連接網(wǎng)絡(luò)識別的方法分為兩類：基于模型驅(qū)動(dòng)的方法：一種驗(yàn)證性的方法，先根據(jù)先驗(yàn)知識選定若干相互作用區(qū)域并假設(shè)任意兩個(gè)區(qū)域之間存在影響，然后通過一個(gè)先驗(yàn)?zāi)Ｐ蛯τ绊戇M(jìn)行驗(yàn)證，最后得到效應(yīng)連接網(wǎng)絡(luò)。主要包括結(jié)構(gòu)方程模型、動(dòng)態(tài)因果模型?；跀?shù)據(jù)驅(qū)動(dòng)的方法：不需要先驗(yàn)知識和假設(shè)，能夠直接從數(shù)據(jù)中得到腦區(qū)之間的因果關(guān)系，逐漸成為主流方法，常用的數(shù)據(jù)驅(qū)動(dòng)方法包括格蘭杰因果模型、線性非高斯無環(huán)模型、廣義同步、Patel的條件獨(dú)立性方和貝葉斯網(wǎng)方法。41基于數(shù)據(jù)驅(qū)動(dòng)的方法7.3.1

腦效應(yīng)連接學(xué)習(xí)概述格蘭杰因果模型：結(jié)合矢量自回歸模型在廣義平穩(wěn)和零均值數(shù)據(jù)下能有效估計(jì)腦區(qū)間連接，但對數(shù)據(jù)噪聲和下采樣過程敏感。線性非高斯無環(huán)模型：使用高階分布統(tǒng)計(jì)和獨(dú)立成分分析來估計(jì)網(wǎng)絡(luò)的連接。但該方法的有效性高度依賴于三個(gè)假設(shè)：1)數(shù)據(jù)產(chǎn)生過程是線性的；2)不存在隱變量；3)干擾變量服從非零方差的非高斯分布。廣義同步方法：利用三種有方向的非線性獨(dú)立度量評估腦區(qū)信號間的相互依賴性，但這些度量的不對稱性可能導(dǎo)致方向判斷上的矛盾。Patel：條件獨(dú)立性方法在識別腦區(qū)連接方向上具有優(yōu)勢，但在判斷連接強(qiáng)度時(shí)靈敏度較低。普遍存在不足：1）對數(shù)據(jù)噪聲敏感；2）識別準(zhǔn)確率不高42腦效應(yīng)連接學(xué)習(xí)概述7.3.1

腦效應(yīng)連接學(xué)習(xí)概述近年來，基于貝葉斯網(wǎng)的腦效應(yīng)連接網(wǎng)絡(luò)學(xué)習(xí)成為熱點(diǎn)，但傳統(tǒng)方法如GES易陷局部最優(yōu)。為克服此，群智能算法如人工免疫和蟻群優(yōu)化被引入，顯著提升了學(xué)習(xí)精度和效果。然而，探索更高效的新方法仍是該領(lǐng)域的重要挑戰(zhàn)。43螢火蟲算法(Fireflyalgorithm，F(xiàn)A)7.3.2

學(xué)習(xí)腦效應(yīng)連接網(wǎng)絡(luò)的螢火蟲算法基本思想：將螢火蟲種群隨機(jī)散布在待求解問題的解空間，每個(gè)螢火蟲個(gè)體代表待求解問題的一個(gè)解。螢火蟲的絕對亮度與其所處位置優(yōu)劣相關(guān)，而所處位置的優(yōu)劣則由待求解問題的目標(biāo)函數(shù)值決定。即目標(biāo)函數(shù)值越優(yōu)，位置越好，絕對亮度也越高。在迭代尋優(yōu)過程中，絕對亮度低的螢火蟲被絕對亮度高的螢火蟲吸引并向其移動(dòng)，移動(dòng)距離根據(jù)吸引度的大小來決定，而吸引度的大小與相對亮度成比例。具體地，絕對亮度低的螢火蟲根據(jù)移動(dòng)公式更新原有位置，并重新計(jì)算絕對亮度。隨著算法的不斷迭代，最終種群中的螢火蟲個(gè)體大多數(shù)都會聚集到最亮螢火蟲的周圍，最亮螢火蟲的位置即代表待求解問題的最優(yōu)解。44螢火蟲算法(Fireflyalgorithm，F(xiàn)A)7.3.2

學(xué)習(xí)腦效應(yīng)連接網(wǎng)絡(luò)的螢火蟲算法

45螢火蟲算法（Fireflyalgorithm，F(xiàn)A）7.3.2

學(xué)習(xí)腦效應(yīng)連接網(wǎng)絡(luò)的螢火蟲算法

46螢火蟲個(gè)體的編碼7.3.2

FAEC算法的求解原理每個(gè)螢火蟲個(gè)體代表一種腦效應(yīng)連接網(wǎng)絡(luò)結(jié)構(gòu)，該配置通過二進(jìn)制編碼(0和1)來表示不同腦區(qū)之間的連接狀態(tài)。

47螢火蟲個(gè)體的評價(jià)方法7.3.2

FAEC算法的求解原理

48螢火蟲個(gè)體的初始化7.3.2

FAEC算法的求解原理從一個(gè)不包含邊的空圖開始，在保證有向無環(huán)圖的條件下，向當(dāng)前圖中隨機(jī)地加入有向邊，加入邊時(shí)要保證新的網(wǎng)絡(luò)結(jié)構(gòu)的K2評分有所提高。重復(fù)進(jìn)行加邊操作直到網(wǎng)絡(luò)中邊數(shù)達(dá)到預(yù)先設(shè)定的初始解的邊數(shù)為止。為了節(jié)省螢火蟲種群初始化的時(shí)間，每個(gè)螢火蟲個(gè)體僅初始化為含有少量邊的網(wǎng)絡(luò)。49螢火蟲個(gè)體間的距離計(jì)算公式7.3.2

FAEC算法的求解原理

50螢火蟲個(gè)體的位置更新方式7.3

FAEC算法的求解原理定向移動(dòng)操作：絕對亮度低的螢火蟲向絕對亮度高的螢火蟲移動(dòng)首先，計(jì)算螢火蟲之間的差異圖。然后，在保證有向無環(huán)圖的條件下，從差異圖中選擇一條邊，將低亮度螢火蟲中的該條邊變?yōu)榕c高亮度螢火蟲中一致，以此實(shí)現(xiàn)低亮度螢火蟲的位置更新。51螢火蟲個(gè)體的位置更新方式7.3.2

FAEC算法的求解原理隨機(jī)移動(dòng)操作：首先，螢火蟲在滿足有向無環(huán)圖的條件下隨機(jī)地進(jìn)行減邊、加邊和反向邊操作。然后，從中選擇使該螢火蟲K2評分(絕對亮度)增加最多的操作。最后，將執(zhí)行該操作所得到的圖結(jié)構(gòu)作為該螢火蟲的新位置。52繁殖機(jī)制7.3.2

FAEC算法的求解原理配偶的選擇從最亮螢火蟲開始，選擇與其距離最遠(yuǎn)的個(gè)體作為配偶，配對后兩者不再與其他個(gè)體交配。子代的產(chǎn)生子代的成長種群的更新螢火蟲配對后，雙方各自向?qū)Ψ轿恢靡苿?dòng)，新位置即為它們的子代位置。初生子代進(jìn)行隨機(jī)移動(dòng)以成長為成蟲，數(shù)量固定后，這些成蟲被加入到螢火蟲種群中。

53算法流程圖7.3.3

FAEC算法描述

547.3.4實(shí)驗(yàn)分析數(shù)據(jù)集模擬數(shù)據(jù)集使用由Smith等人在文獻(xiàn)中所給出的模擬fMRI數(shù)據(jù)集。該數(shù)據(jù)集中包含28組數(shù)據(jù)，每組數(shù)據(jù)均包含50個(gè)被試。真實(shí)數(shù)據(jù)集使用的真實(shí)fMRI數(shù)據(jù)來自于阿爾茲海默癥神經(jīng)影像學(xué)聯(lián)盟數(shù)據(jù)集。主要選取了兩組被試，分別是阿爾茨海默病患者組和正