同济大学博士学位论文启发式优化算法的方法和应用研究姓名:****学位级别:博士专业:环境科学指导教师:**章;李通化20030605捅要本文对启发式优化算法的改进和发展及其在环境污染物分析和处理以及分子对接中的戍用方面进行了研究。在方法研究方面,本文首先详细地讨论了并发展了数值遗传算法中使用的运算控制,增强了数值遗传算法的鲁棒性。其中,群体淘汰规则、变异步长的自动调节、局部搜索的引入以及记忆搜索的应用能够比较好地解决数值遗传算法的早熟问题,改善其收敛结果和收敛速度。加入了运算控制后的数值遗传算法在对环境污染物的分析中取得了满意的结果。其次,本文在对遗传算法与禁忌搜索算法进行分析的基础上,成功地把禁忌搜索独有的记忆功能引入到遗传算法的搜索过程之中。将数值遗传算法和禁忌搜索有机遗结合起来,分别发挥了数值遗传算法的全局搜索能力和禁忌搜索的局部爬山能力。该结合的算法在对环境污染物的分析取得了较为满意的结果。在对粒子群算法的研究之中,针对具体的优化闯题,本文还详细地探讨了粒子群算法中使用的参数的调节问题。通过使用合适的粒子群算法参数,成功地将粒子群算法应用于环境污染物的分析之中,并取得了较好的结果。在深入研究粒子群算法机理的基础上,本文创造性地提出了两层粒子群算法这一全额优化算法的思想.并在实际应用中得以实现。两层粒子群算法主要由三种不同的个体组成:普通个体,部落最优个体和群体最优个体,其中普通个体和部落最优个体形成两层粒子群的第~层,部落最优个体和群体最优个体形成两层粒子群的第二层。两层粒子群算法的进化过程分为自由发展阶段、部落交往阶段和群体融合阶段。相对丁‘粒子群算法面言,两层粒子群算法的全局搜索能力更强,具有更强的爬山能力和对复杂优化问题的鲁棒性。本文应用两层粒子群算法,在对蛋白质一配体小分子的半柔性对接中取得了很好的结果。在使用了诸多启发式优化算法的同时,本文还深入地讨论了启发式优化算法在优化过程中存在的特点.并且对遗传算法、遗传算法结合禁忌搜索以及粒子群算法各自的特点进行了详细的比较。启发式优化算法在优化过程中,往往都存在着一个随机性和确定性的平衡,随机性有利于群体保持多样性,免于早熟而获得更好的收敛结果,而确定性则有利于优化结果的精化以及更好的计算速度。此外,启发式优化算法还存在着全局搜索和局部搜索的平衡,全局搜索有利于提高全局寻优能力而局部搜索有利于提高收敛能力。到目前为止,在启发式优化算法的范畴中还没有出现一个全能的优化算法。这是因为每一个优化问题有各自的特点,而每一种启发式优化算法也有它自己的特点。因此,对启发式优化算法鲁棒性的评价不能仅仅用几个优化问题来作为参照,对各种启发式优化算法的优化能力的评价也不能过于偏颇。在应用研究方面,本文首先将数值遗传算法和粒子群算法结合化学计量学中的正交投影方法应用于环境污染物多氯联苯的色谱分析之中,比较好地解决了多氯联苯同系物色谱峰摘要重叠的优化解析问题。通过对多氯联苯标准混合物的恒温谱图的解析,得到多种多氯联苯同系物的色谱柱保留特征值。这些多氯联苯化合物色谱柱保留特征值的获得对于环境样品中多氯联苯的准确的定性以及定量分析提供了一个比较可靠的方法,对于进一步建立环境中多氯联苯分析体系有着重大的意义。其次,本文对辣根过氧化物酶催化氧化环境污染物苯酚的反应过程进行了分析,应用数值遗传算法结合正交投影方法对反应过程中的光谱信息进行了成功的解析,得到了辣根过氧化物酶催化反应的中间体HRP—I和HI冲-II的纯光谱,以及催化氧化环境污染物苯酚的反应的动力学谱,为研究辣根过氧化物酶对环境中芳香族污染物的氧化过程机理研究提供了提供了有价值的参考方法。在计算机辅助药物设计方面,本文应用两层粒子群算法对蛋自质一小分子半柔性对棱中AutodocJ(3中的优化部分进行了改写。在对用于测试豹]00对蛋白质一配体小分子半柔性对接的优化中,优亿结果要远远好于AtItodock3使用的遗传算法和局部搜索的方法。改进后的蛋白质一小分子半柔性对接方法有助于提高分子对接方法结果的准确性,能够广泛地应用于药物候选分子的筛选,全新药物分子设计等方面。关键词启发式优化算法,多氯联苯,辣根过氧化物酶,分子对接,遗传算法,禁忌搜索,局部搜索,粒子群算法,两层粒子群算法2~—一垒!业!AbstractSeveralheuristicoptimizationalgorithmshavebeenimprovedanddeveloped,andthenappliedtotheanalysisandtreatmentofenvironmentalcontaminantsandmoleculardockinginthisdissenatinn.Inregardtothestudyonthemethodologyofheuristicalgorithms,theoperators’controlsusedinnumericgeneticalgorithmareaboveallindetaildiscussedanddeveloped,whichhaveimprovedconsiderablytherobusticityofnumericgeneticalgorithm.Theapplicationsofthegroupeliminationrules,theauto-regulationofmutationscaletheintroductionoflocalsearchandmemorysearchoftheoperators’eon'n'olshelpustosolvetheproblemofprematurityinnumericgeneticalgorithm.Thus,boththeconvergenceresultsandspeedofnumericgeneticalgorithmareimproved.Theapplicationofnewalgorithmintegratedwithoperators’controlstotheanalysisofenvironmentalcontaminantsturnsOUtsatisfyingresults.Furthermore,on"thebasisofmechanismresearch,theuniquememoryfunctionoftabusearchisintroducedintotheoptimizationprocessofnumericgeneticalgorithm.The
two
algorithms
are
flexibly
combinedandboththe
ability
of
global
searchinNGAandthe
ability
of
local
hill-climbing
inTSareutilized.The
application
ofthecombined
algorithm
obtains
good
resultsinthe
optimizationprocess
ofenvironmental
contaminants’analysis.
Asto
specificoptimizationproblems,thesettings
of
parameters
usedinthe
panicle
swanrl
optimization
isindetaildiscussed.With
finely
tuned
parameters,particle
swarm
optimization
is
successfully applied
to the
analysis
ofenvironmental contaminants andresults in
good
convergence.
Basedonan
in—depthstudy
onthemechanismof
particle
swal'm
optimization.a
novelidea
ofabrand—new
optimizationalgorithm,two・ layerparticle
SWalan
optimization,is
createdand
realizedinthisdissertation.The
two-layerparticle
SWalTfl
optimization
consistsof
particles
of
three孵s:commooparticle,bestparticle
ofthetribeandbest
particle
ofthe
group.Common
particles
andthebest
particle
ofthe试be
form
intothe
primarylayerwhile
thebest
particle
ofthe
uibeandthebest
particle
ofthe
group
formintothe
secondarylayer
inthe
two。layerparticle
Swarm
optimization.The
evolution
process
of
two-layerparticle
swarm
optimization
isdivided
intofree
developmentphase.研be
intercourse
phase
and
group
consolidation
phase.Compared
to
particle
swarm
optimization,two-layerparticle
swm'in
optimization
hasaneven
strongerability
of
global
searchand
ability
of
hill・ climbingand
henceit is morerobustforthe
complicated
optimizationproblems.Thetwo-layerparticle
swarm
optimization
is
applied
tothe
optimization
problem
in
proteinliganddocking
andmuchbetterresultsareobtained.
3
————————————————巡
Inadditionto
the
study
oncertain
algorithms,the
common
characteristicsinthe
optimization
process
ofheuristic
optimizationalgorithms
arein
depth
discussed.The
spccificcbarac把一sticsof
GA,GA_TS
andPSOarcindetail
compared
anddiscussedas
well.Inthe
optimizationDtogessof
heuristic
optimizationalgorithms,there
is
always
abalancebetween
mndomicity
and
certainty.
Randomicity
helps
the
group
to
keepdiversitybe
outof
prematurity
andresultin better
convergence・ Certaintyhelps
the
refinery
of
convergenceprocess
and
improves
the
convergence
speedBesides,there
isalsoabalance
between
global
searchandlocalsearchinthe
process
of
heuristic
optimizationalgorithms.Global
searchtendstoaberet
convemoencc
resultwhilelocal
searchtendstoafaster
convergencespeed.No
heuristic
optimizationalgorithm
is
by
far
proved
to
bean
omnipotentalgorithm
forallthe
optimizationproblems.Each
problem
hasitsown
properties