新型仿生优化计算在解决复杂优化计算中表现出了强大的优势，目前在众多领域中应用广泛，但大多数优化计算方法存在着模型复杂，收敛速度较慢，易陷入局部极值等问题，严重限制着优化计算方法的发展。新型仿生优化计算是近些年兴起的一类性能较好的优化计算方法（例如：果蝇优化算法[1]、萤火虫优化算法[2]和布谷鸟优化算法[3]等），本文重点研究蜻蜓算法，采用莱维飞行轨迹及多步环绕扰动对蜻蜓算法进行改进，将改进后的蜻蜓算法用于肿瘤癌症大数据分类[4]。

1 改进的新型仿生优化计算（INBO）

1.1 改进策略

定义1（莱维飞行轨迹）新型仿生优化计算（蜻蜓算法）的个体运动轨迹服从公式（1）和公式（2）表达的莱维飞行轨迹，这样可以使算法运动轨迹保持良好的惯性。

 

在公式（1）和（2）中，μ和υ服 从标准正态分布，β 取1.5，Γ为标准 Gamma函数。

定义2（多步环绕扰动 Ω ）新型仿生优化计算（蜻蜓算法）的个体增加多步环绕扰动 Ω ，具体见公式（3）-（6），Ω 对蜻蜓个体增加了多步环绕扰动操作，这样可以增加蜻蜓个体的的多元性，有利于全局优化。其中公式（3）为扰动操作，公式（4）-公式（6）为多步环绕操作。

 

 

1.2 优化规则

规则1（莱维飞行约束）蜻蜓群体运动过程中为了保证群体进化运动的规律性和稳定的趋势性，蜻蜓群体运动要遵循莱维飞行的约束，莱维飞行约束保证了蜻蜓群体运动不是杂乱无章的，而是更具有仿生群体的本身特性。

骨盆修复仪对于产妇的机体恢复是非手术,无创无痛的,而且其见效时间快。骨盆盆底肌在较短的时间内恢复紧致,有助于骨盆的闭合,进而减少了产妇机体侵入湿寒,引起各种妇科炎症反复发作(如阴道炎、盆腔炎、盆腔积液等)。

规则2（多步环绕扰动启动）在蜻蜓群体运动过程中如果蜻蜓群个体在局部极值处大量活动时，启动多步环绕扰动，多步环绕扰动可以丰富蜻蜓群个体的运动差异性，及时帮助蜻蜓群个体跳出局部极值，其中环绕扰动保证了整个扰动是动态不间断持续进行的，多步保证了扰动的融合性和广度性。

规则3（群活动）蜻蜓群体运动包含了蜻蜓个体合聚活动和互斥活动，这两个相互反向的活动保证了群体运动稳定的倾向性和一致性，有利于全局最优的获得。

步骤2：关键类集中每个关键类权重估算，权重估算一定要保证均衡性，避免出现过度倾斜的问题。

2 肿瘤癌症大数据分类模型

步骤1：采用INBO计算关键类集，关键类集可以代表全局的特征，因此关键类集的选择的质量影响着分类的结果。

步骤4：采用INBO构造分类器，分类器一定要有一定的健壮性，面对一些特殊值要能特殊处理，避免特殊值对整体分类结果的负影响。

本文采用INBO作为肿瘤癌症大数据的分类模型，由于肿瘤癌症数据是大数据，INBO的求解精度高和速度快的特点正好满足大数据分类需求。在分类过程中是通过对数据间的相似度值来进行的，相似度值大的即分为一个类。肿瘤大数据分类模型具体流程如下：

11月12日，中国海洋石油集团有限公司对外宣布，我国首个深水自营大气田——陵水17-2气田正式进入实质性开发建设阶段，建成投产后将供气给香港、广东及海南。陵水17-2气田位于南海琼东南盆地深水区的陵水凹陷，平均作业水深1500米，项目总投资额超过200亿元，储量规模超过1000亿立方米，于2014年由我国自主设计和建造的第一座深水钻井平台——“海洋石油981”勘探发现。该气田最快有望于“十三五”末期投产，每年生产30亿～35亿立方米天然气。

规则3（广播板更新）为了保证蜻蜓群体运动中，当前最优信息的动态变化情况，当前最优信息需要以广播的形式发布出去，在每次迭代过程中广播板上的最优值信息是动态更新和维护的，对广播板的动态更新和维护时如果连续两次广播板没有变化也是规则2启动的另一个情况。

其中，yij>0，yij=1/yji,yjj=yii=1。然后再通过判断矩阵Y求出其最大特征值λmax对应的特征向量A′，将其归一化后，即为所求主观权重向量As，并且对判断矩阵进行一致性检验。

步骤3：根据关键类集计算数据之间的相似度值，相似度值是衡量数据是否分为一类的标准。

目前，应用型本科旅游类专业在教学过程中存在的弊病有：教师整体技术水平有待提升，教师实际操作能力较低，教师缺乏实际操作的经验，在教学环节偏重理论知识，忽视实际操作等。其中，教师整体技术水平较低是我国教育环节中最为首要的问题。部分专业教师在教学过程中过于偏重理论知识的传授而忽视了实际操作的重要性。对提高学生的实际操作能力而言，这不仅是专业教师个人能力的问题，还需要学校强有力的设备支持。

步骤5：输出分类结果。

在工程施工中，材料是实际项目管理中第一要点，进场材料的质量好坏，将直接影响工程的施工质量。因此加强对施工现场的材料验收能够有效的提升工程整体的施工质量，避免工程质量问题的发生。通过严格验收，能够直接有效的对工程施工的源头进行材料质量上的管理与控制，在保障安全的前提下，最大限度地保证项目的施工质量水平。

3 性能分析

3.1 对比分析

本文采用肿瘤癌症大数据实验数据库进行实验验证，采用三个算法展开对比分析（A：本文方法，B：贝叶斯分类，C：K-mean分类），分别从分类的准确度和分类时间两个角度进行实验对比，实验结果如图1和图2所示。

  

图1 分类准确度对比结果

  

图2 分类时间对比结果

3.2 结果分析

实验结果如表1所示（仅列出了部分），本文方法的分类结果和人工分类结果误差小，其中仅有三例X10、Y02、Y07被误判，原因是这三例的噪声过大，导致分型有偏差，但大部分分类结果正确，这说明该分类方法的正确率是很高的。

 

表1 结果对比

  

样本 本文 人工X04 1 1 1 X03 1 1 1 X08 1 1 1 X06 1 1 1 X02 1 1 1 X05 1 1 1 X07 1 1 1 X09 1 1 1 X10 1 2 1 X01 1 1 1 Y02 2 1 2 Y07 2 1 2 Y06 2 2 2 Y03 2 2 2 Y04 2 2 2 Y09 2 2 2 Y10 2 2 2 Y01 2 2 2 Y05 2 2 2 Y08 2 2 2

4 结论

本文采用莱维飞行轨迹及多步环绕扰动对新型仿生优化计算（蜻蜓算法）进行了改进，将改进后的新型优化计算方法用于肿瘤癌症大数据分类，该方法具有很高的推广价值。

参考文献

[1]杜晓昕,张剑飞,郭媛,金梅.基于柯西-高斯动态消减变异的果蝇优化算法研究[J].计算机工程与科学,2016,38(6):1171-1176.

[2]王波,张菁,杜晓昕.基于逐级变异布谷鸟搜索和Powell的医学图像配准[J].电子技术应用,2015,41(8):135-137+142.

[3]杜晓昕,张剑飞,孙明.基于自适应t分布混合变异的人工萤火虫算法[J].计算机应用,2013,33(7):1922-1925+1972.

[4]毛国君,胡殿军,谢松燕.基于分布式数据流的大数据分类模型和算法[J].计算机学报,2017,40(1):161-175.