房娟艷，魏燕婷

（銅陵學(xué)院數(shù)學(xué)與計算機學(xué)院，安徽 銅陵244061）

智能算法是現(xiàn)代各個行業(yè)中常用的算法，能夠?qū)σ恍╇y度高、非線性、無梯度信息和規(guī)模大的工程問題進行處理，從而有效地完成對實際問題的解決，但是傳統(tǒng)的單一進化群智能算法解決問題的效果不夠明顯。文化進化群智能算法主要是借助文化算法的特征，完成對進化群算法的優(yōu)化和改善，進一步地完成對各類問題的處理和優(yōu)化。將文化進化群智能算法與人工魚群算法結(jié)合，提出基于文化算法框架的文化進化群智能算法，并合理地將其應(yīng)用，完成約束工程問題的有效解決。另外，混合文化進化群智能算法還可以有效地應(yīng)用到醫(yī)學(xué)研究和癌癥診斷中，進一步提高醫(yī)療服務(wù)的水平和質(zhì)量，改善人們的生活，積極推動社會的進步和發(fā)展。

1 文化算法與人工魚群算法、粒子群算法分析

1.1 文化算法

文化算法主要是由信念空間和種群空間構(gòu)成，并形成具有文化特征的文化算法框架。信念空間主要是用來對進化過程中的基本信息進行存儲，也可將其視為進化過程中的知識積累。所有符合文化進化需求的基本算法都可以將其視為框架下的種群空間。文化算法具有較好的應(yīng)用，能夠有效用于神經(jīng)網(wǎng)絡(luò)、電站規(guī)劃和經(jīng)濟調(diào)度等［1］。

1.2 人工魚群算法

人工魚群算法是源自于魚群群體覓食的自組織行為，并對其進行模擬，完成對全局的最優(yōu)解，屬于一種群智能算法。該算法主要通過構(gòu)造人工魚模仿魚群的隨機行為、覓食行為、尾隨行為、聚群行為等實現(xiàn)尋優(yōu)［2］。人工魚群算法對初值和參數(shù)的敏感性不強，魯棒性較強，具有較高的適應(yīng)能力。作為傳統(tǒng)的群智能算法中的一種，人工魚群算法具有較高的應(yīng)用價值，可以廣泛應(yīng)用到多個領(lǐng)域中。

1.3 粒子群算法

粒子群算法同樣是一種群智能算法，主要是建立在鳥類覓食行為的基礎(chǔ)上，并對其進行模擬。首先，在一個D維的目標搜索空間中，建立一個為m的群落，以群落中的第i個粒子表示D維的向量，得到xi＝（xi1，xi2…xiD），并通過粒子的迭代能夠?qū)ζ渚唧w的速度和位置等進行更新［3］。

2 基于文化算法框架的文化進化群智能算法及其應(yīng)用

2.1 傳統(tǒng)算法基本情況

文化進化中，具體的進化空間是由個體組成的種群空間，或是進化過程中得到的經(jīng)驗和知識，進而形成的信仰空間，信仰空間能夠不斷地對精英群體進行篩選，進一步推動群體的優(yōu)化。粒子群算法的收斂速度快，能夠很好的完成局部尋優(yōu)，卻容易發(fā)生“早熟”。人工魚群算法具備良好的全局搜索能力，但速度和精度不夠理想。

針對上述情況，需要科學(xué)地分析和構(gòu)建混合文化進化群智能算法，并逐漸完成文化進化、粒子群算法和人工魚群算法的融合，形成具有較高應(yīng)用價值的混合文化進化群智能算法［4］。

2.2 基于文化算法框架的文化進化群智能算法

2.2.1 合理展開群體空間的設(shè)計 結(jié)合人工魚群算法，完成對空間的設(shè)計，完成對群體的演化。

2.2.2 科學(xué)的信仰空間設(shè)計 具體采用粒子群的方式，對信仰空間進行演化操作，完成局部尋優(yōu)。其中為了保障信仰空間設(shè)計的有效性，可以選取群體空間的30%，作為群體。

2.2.3 接受操作 群體空間開始演化，并按照人工魚群算法進行演化，當(dāng)運行到一定的代數(shù)后，篩選出精英群體。并將這些精英群體代入到信仰空間中，將信仰空間中的適應(yīng)值較差的、數(shù)量相同的部分進行替換。

2.2.4 影響操作 群體空間運行一段時間，且運行出一定的代數(shù)后，信仰空間采用粒子群算法有效地完成局部選優(yōu)，并將信仰空間中適應(yīng)值較好的部分，與群體空間適應(yīng)值交叉的個體進行代替［5］。

群體在演化的過程中，初始幾代信仰空間對其影響不大，而在持續(xù)的演化過程中，信仰空間對群體的演化具有較高的引導(dǎo)作用，使得群體具備更為優(yōu)異的尋優(yōu)水平，進而有效地完成對實際問題的處理和解決。

混合文化進化群智能算法的基本工作流程如圖1所示。

2.3 應(yīng)用仿真

基于文化算法框架的文化進化群智能算法能夠切實地應(yīng)用到醫(yī)學(xué)中，達到輔助的作用，完成對相關(guān)疾病的診斷和分析，還能夠?qū)颊叩幕厩闆r進行預(yù)測。以癌癥病例為例，對基于文化算法框架的文化進化群智能算法的應(yīng)用展開仿真模擬。

圖1 混合文化進化群智能算法的基本工作流程

展開仿真模擬，需要明確數(shù)據(jù)來源和仿真環(huán)境。以結(jié)腸癌和急性白血病為主要的研究對象，其中急性白血病的數(shù)據(jù)采集中，可以選取102例白血病樣本和20例正常樣本，每個樣品是由7129個基因表達譜構(gòu)成。結(jié)腸癌的采集數(shù)據(jù)為40例結(jié)腸癌和20例正常組織樣品，其中每個樣品是由2000個基因表達譜組成［6］。

圖2 迭代過程變化曲線

按照混合文化進化群智能算法的基本工作流程對癌癥樣品的基本情況進行分析，可以得到迭代過程變化曲線（見圖2），分別為人工魚群算法和基于文化算法框架的文化進化群智能算法。其中a代表結(jié)腸癌，b代表急性白血病。

圖2表明，采用基于文化算法框架的文化進化群智能算法具有較高的分類精度和較好的收斂速度。①基于文化算法框架的文化進化群智能算法具有較好的全局搜索能力，可以更加準確和快速地得到腫瘤信息的基因分類情況，算法能夠進一步推動腫瘤基因分類結(jié)果可靠性的提升，提高腫瘤臨床診斷的確診率。②根據(jù)仿真結(jié)果，同樣可以得到基因?qū)ふ疫^程的變化曲線，并且采用該算法能夠有效地減少噪聲干擾，使計算的復(fù)雜度得以控制，能夠完成對無關(guān)分類的清理，從而完成腫瘤診斷中的更優(yōu)的信息基因，保障診斷的有效性。③相較于傳統(tǒng)群智能算法的人工魚群算法，混合文化進化群智能算法所得到的結(jié)果具有較好的穩(wěn)定性，且優(yōu)勢明顯。

綜上所述，混合文化進化群智能算法可有效完成對傳統(tǒng)群智能算法的改善，且能夠有效清除無用的噪聲，提高分類精度。另外，將混合文化進化群智能算法應(yīng)用到腫瘤癌癥診斷中，可以根據(jù)更優(yōu)腫瘤信息基因的基本情況，完成度腫瘤疾病的診斷，還可以根據(jù)算法的結(jié)果對患者的癌癥情況進行預(yù)測，可以廣泛地應(yīng)用到醫(yī)療服務(wù)中，提高醫(yī)療診斷的準確性和可靠性，進一步推動醫(yī)療服務(wù)行業(yè)的持續(xù)健康發(fā)展。另外，混合文化進化群智能算法還可以應(yīng)用到生物研究中，尤其是生物醫(yī)學(xué)研究，根據(jù)算法得到有用的基因，對其進行分析和解讀，完成對相關(guān)病癥的研究和分析［7］。

3 混沌文化粒子群算法

混沌文化粒子群算法同樣是一種混合文化進化群智能算法，該類算法能夠解決傳統(tǒng)文化粒子群算法局部最優(yōu)解的問題，并進一步保障算法的全局最優(yōu)解能力。該類算法中，有效地將混沌系統(tǒng)作為優(yōu)化的基本工具，完成對算法的優(yōu)化，推動混合文化進化群智能算法的有效應(yīng)用。

結(jié)合xk＋1＝μ·xk（1－xk），0≤x0≤1，生產(chǎn)隨機數(shù)，并完成混沌局部搜索的基本步驟，促使其能夠達到設(shè)計迭代步數(shù)，從而完成對問題的解讀和處理。

混合文化進化群智能算法可以有效地應(yīng)用到約束工程問題的處理中，能夠完成對焊接梁、伸縮繩及壓力容器的優(yōu)化設(shè)計，從而使工程部分能夠得到有效地控制。選擇最優(yōu)的設(shè)計，進而達到質(zhì)量最優(yōu)和成本最低的效果，保障工程的有效實施?；旌衔幕M化群智能算法在約束工程問題的處理中，具有較高的應(yīng)用價值。在實際的工程施工過程中，相關(guān)技術(shù)人員按照混合文化進化群智能算法的基本步驟，完成對部分設(shè)計內(nèi)容的迭代，進而從中選取最優(yōu)的設(shè)計內(nèi)容，達到降低工程造價、控制施工質(zhì)量的目的，保障工程項目的安全性和功能性，實現(xiàn)工程項目的經(jīng)濟效益與社會價值［8］。

4 結(jié)束語

混合文化進化群智能算法是一種建立在文化算法和群智能算法基礎(chǔ)上的改進算法，能夠有效地解決傳統(tǒng)群智能算法不能解決的問題，減少分類過程中噪聲信息的影響和干擾，并進一步提高分類的準確度，進而使問題得到有效的處理?；旌衔幕M化群智能算法具有較高的應(yīng)用價值，可以廣泛應(yīng)用到醫(yī)學(xué)研究和工程建設(shè)中。其中基于文化算法框架的文化進化群智能算法和混沌文化粒子群算法都屬于混合文化進化群智能算法，并分別完成對癌癥的診斷和工程約束問題的解決，且結(jié)果準確性高，效果顯著，具有良好的應(yīng)用價值和實踐價值。

［1］ 劉凌子.混合文化進化群智能算法及其應(yīng)用［D］.廣西民族大學(xué)，2010.

［2］ 匡芳君.群智能混合優(yōu)化算法及其應(yīng)用研究［D］.南京理工大學(xué)，2014.

［3］ 姚祥光.混合粒子群優(yōu)化算法及其應(yīng)用［D］.廣西大學(xué)，2010.

［4］ 汪麗娜.文化智能優(yōu)化算法及其在約束優(yōu)化問題中的應(yīng)用研究［D］.華東理工大學(xué)，2012.

［5］ 苗衛(wèi)強.改進的文化算法研究及應(yīng)用［D］.南昌航空大學(xué)，2014.

［6］ 郭 成.文化算法的改進設(shè)計及其應(yīng)用研究［D］.哈爾濱工業(yè)大學(xué)，2012.

［7］ 任紅云， 代永強.文化算法及應(yīng)用研究［J］.甘肅科技，2012，28（9）：36 －37.

［8］ 黃少榮.群智能算法的混合策略研究［J］.長江大學(xué)學(xué)報（自科版），2011，8（12）：76 －78.