MOEA-FCM、RCGAd-FCM、CS-FCM三者介绍及比较

MOEA-FCM、RCGAd-FCM、CS-FCM三者介绍及比较

FCM（Fuzzy cognitive maps）

FCM已在之前有所介绍 https://blog.csdn.net/loveC__/article/details/98479162

MOEA-FCM（2013）

文章：Learning of Fuzzy Cognitive Maps with Varying Densities using a Multi-objective Evolutionary Algorithm

摘要

之前学习FCM的算法密度都远高于人类专家建立的FCM，于是将FCM的密度和准确度作为两个目标问题进行建模，MOEA-FCM实验中使用了合成数据和真实数据，使用了不同尺寸（FCM点数目）和稠密程度。实验表明MOEA-FCM不仅能高精度的重建FCM，还能得到不同密度下的Pareto前沿。

介绍

之前自动生成的学习FCM算法密度都超过了90%，而由人类专家知识建立的FCM密度只有40%，只有降低FCM的稀疏程度，才能处理大规模的FCM问题，两个优化的目标分别为：

1. 降低输入数据和模拟数据的差别
   第一个目标Data_Error，用来评估可用响应序列和生成响应序列的不同
   
   $N_t$是时间序列的长度，$N_s$是响应序列的长度，$C_n^t(s)$是第n个点在第s个可用响应序列中第t个状态，${\hat{C}}_n^t(s)$是第n个点在第s个生成响应序列中第t个状态。
2. 降低学习得的FCM的连接密度
   第二个目标是Density（稀疏性），评估学习生成的权重矩阵和真实的结构区别
   $$\text{Density}(\mathbf{W})=\frac{M}{N_n\times N_n}$$
   关于符合多目标的讨论：在多目标中，目标应该互相冲突，实验表明，密度增加时，Data_Error会增长缓慢，稠密模型的Data_Error比稀疏模型更接近真实模型的Data_Error，如果以Data_Error作为单一目标进行优化，得到的模型将具有加高的密度，将比实际真实的FCM稠密的多。所以Density和Data_Error将成为两个冲突的目标，应采用多目标技术进行优化。

算法介绍

实质上该算法使用NSGA-II对FCM进行了学习，降低了稀疏性的同时，提高了模型的精确度，因为NSGA-II对两目标问题表现出较好的性能
为使算法适合EA，将其转换为
$$\begin{array}{ll}\text{ Maximize }& f_1(\mathbf{W})=h\left({\text{Data}}_{-}\mathrm{Error}(\mathbf{W})\right)\\ \text{ Maximize }& f_2(\mathbf{W})=h(\text{Density}(\mathbf{W}))\end{array}$$
其中
$$h(x)=\frac{1}{1+\alpha x}$$
该算法使用NSGA-II作为EA的框架。其中快速非支配排序、拥挤距离计算、二元锦标赛选择、模拟二进制交叉和变异方法都和NSGA-II算法一致。
算法流程：
Step1:初始化种群 ,$t$为0，$P_t$和N个染色体，每个染色体的值在[-1,1]。
Step2:使用非支配快速排序，$F\leftarrow \text{ fast-nondominated-sort }\left(P_t\right)$。
Step3:根据排序后的$P_t$的秩和拥挤距离，采用二元锦标赛选择法从排序后的$P_t$中选择染色体，并对所选染色体进行交叉和变异操作，生成大小为N的后代群体$Q_t$。
Step4:将父代和子代合并至$R_t$，$R_t\leftarrow P_t\cup Q_t$。
Step5:对$R_t$使用快速非支配排序，$F\leftarrow \text{ fast-nondominated-sort }\left(R_t\right)$。
Step6:令下一代种群$P_{t+1}$为空，$令i=1$。
Step7:$If|P_t+1|+|F_i|<N,then{P}_t+1\leftarrow P_t+1\cup F_i,i\leftarrow i+1,gotoStep7$这一步的作用是从之前非支配快速排序得到的F中，选出$i$个元素组成$P_{t+1}$。
Step8:通过拥挤度分配，根据拥挤距离对$F_i$进行降序排序。
Step9:将$F_i$根据排序与$P_{t+1}$合并成N个染色体组成的新一代种群$P_{t+1}$。
Step10:t = t +1。
Step11:如果达到最大迭代数，则输出当前种群，否则则转去Step3。

实验

实验中使用了合成数据和真实世界数据；
交叉率为：0.9
变异率为0.5
目标评价次数为 $3\times 10^6$
实验的其他评价标准：

1. Model_Error：比较学习到的FCM和目标FCM的权重。
   $${\text{Model}}_{-}\text{ Error }=\frac{1}{N_n^2}\sum _{i=1}^{N_n}\sum _{j=1}^{N_n}\left|w_{ij}-{\hat{w}}_{ij}\right|$$
2. Out_of_Sample_Error：评价模型处理过拟合的能力，10个随机初始化的向量作为输入，计算真实模型的响应序列和已经获得的模型生成的响应序列的差值。
   $${\text{Out }}_{-}\text{ of }-{\text{ Sample }}_{-}\text{ Error }(W)=\frac{1}{N_s\cdot \left(N_t-1\right)\cdot N_n}\sum _{t=1}^{N_s}\sum _{t=1}^{N_t-1}\left|C_n^t(s)-{\hat{C}}_n^t(s)\right|$$
3. SS Mean：为了预测两个概念点之间是否存在连接。
   $$SS\text{ Mean }=\frac{2\times \text{ Specificity }\times \text{ Sensitivity }}{\text{ Specificity }+\text{ Sensitivity }}$$
   $$\text{Specificity}=\frac{N_{TP}}{N_{TP}+N_{FN}}$$
   $$\text{Sensitivity}=\frac{N_{TN}}{N_{TN}+N_{FP}}$$
   
   可以从实验数据看出，MOEA-FCM(37%)大部分的数据优于其他的算法。其中37%是从Pareto最优解中，选出的密度为37%的值。

RCGAd-FCM（2015）

文章：Inferring Causal Networks using Fuzzy Cognitive Maps and Evolutionary Algorithms with Application to Gene Regulatory Network Reconstruction

摘要

该算法从基因表达数据基于分解的GA算法，学习大规模的模糊认知图。将该算法与蚁群优化，差分进化和粒子群优化在一个分解框架中进行了比较。比较结果表明，该算法在数据量小、网络规模大或存在噪声的数据集上具有一定的优越性。

算法介绍

该算法主要应用在适应基因表达数据进行基因调控网络的重建（GRNs），该算法基于实数编码的遗传算法，采用锦标赛的选择方法，采用分解的方式来学习大规模的FCM，从而应用于基因调控网络重建问题上。GA、PSO、DE、ACO和基于梯度的优化算法，这些算法成功应用在没有专家干预学习FCM方面，从而解决了一部分问题如，时间序列预测、工程控制问题和分类问题。
分解前的目标函数，带有稀疏惩罚因子

其中$N_V$是FCM节点数目，$N_S$是时间序列的个数，$N_T$是每个时间序列的长度，$P_S$是稀疏惩罚因子，$C_n(s,t)$是第s个时间序列，第t个时间点，第n个节点的观测数据（已知的输入数据），${\hat{C}}_n(s,t)$是第s个时间序列，第t个节点，第n个节点的仿真数据（计算得到的）
$${\hat{C}}_n(s,t)=f_n\left(\sum _{i=1}^{N_{\mathrm{V}}}{w}_{in}{C}_n(s,t-1)\right)$$
对于每一个节点n的激活函数是
$$f_n(x)=\frac{1}{1+e^{-{\lambda }_{n}x}}$$
${\hat{C}}_n(s,t)$的计算依赖${\lambda }_n$和第n列的权值矩阵$W_n$
$${\mathbf{W}}_n={\left[w_{1n},w_{2n},\dots ,w_{N_{\mathrm{N}},n}\right]}^{\mathrm{T}}$$
因此分解后目标函数E变成如下
$$E_n=\frac{1}{\left(N_{\mathrm{T}}-1\right)N_{\mathrm{S}}}\sum _{i=2}^{N_{\mathrm{T}}}\sum _{s=1}^{N_{\mathrm{S}}}{\left(C_n(s,t)-{\hat{C}}_n(s,t)\right)}^2+p_{\mathrm{S}}\sum _{i=1}^{N_{\mathrm{N}}}\left|w_{in}\right|$$
可以对比看出分解前和分解后主要是目标函数的变化，原来的目标函数计算的是所有节点的综合，目标函数缺少了$N_V$，现在目标函数结算单个列值作为评价函数。整个优化算法优化的列数n从1到$N_N$的${\lambda }_n$和$W_n$。
$$W=[W_1,W_2,...,W_{N_V}]$$
$$\lambda =[{\lambda }_1,{\lambda }_2,...,{\lambda }_{N_v}]$$
基于这种分解方法，将整个计算分解为n个节点，优化过程从$N_V(N_V+1)$to$N_V+1$，这是能够学习大规模FCM的主要因素。

算法流程：

初始化种群：解的形式为$x_j=[W_{1n},W_{2n},...,W_{N_N},{\lambda }_n]$
选择算子：采用二元锦标赛
交叉算子：单点交叉
变异算子：非均匀变异

实验

实验数据

其中关于FCM应用在GRN问题上，DREAM数据较为常用。
交叉率：0.6
变异率：0.3
种群大小：100
最大迭代次数：15000
稀疏罚值稀疏在超过100大规模的数据集中设为0.2，在小规模的数据集中设为0
不同算法AUC和AUPR在DREAM4数据集上的表现

可以忽略粗体的数字，只看阴影的值，其中阴影的值是在同一条件下，诸多算法中表现最好的算法。从图中可以直观的得出，RCGAd在学习大规模FCM时有较好的表现。
在大规模的网络上进行比较

同样可以看出在300个节点时，该算法的性能优于其他算法。

CS-FCM（2017）

问章：Learning Large-Scale Fuzzy Cognitive Maps Based on Compressed Sensing and Application in Reconstructing Gene Regulatory Networks

摘要

本文旨在解决基于数据驱动，没有任何先验知识的情况下，学习大规模的稀疏FCM的问题，大量现有的方法速度较慢且在处理大规模FCM问题时有较大的的困难。本文介绍了一种基于压缩感知（CS）的凸规划方法来学习大规模的稀疏FCM（CS-FCM）。则该问题转换为稀疏信号重建问题。CS-FCM可以学习稀疏FCM至1000个节点甚至更多，本文最后用GRN的DREAM3和DREAM4数据进行了测试。

压缩感知（CS）
这边文章对压缩感知写的简单易懂，图文并茂，不一定严谨但容易理解，传送门https://blog.csdn.net/qq_42570457/article/details/82179065

算法介绍

目前自动学习FCM算法的限制

1. 准确度较低
2. 学习得FCM规模较小
3. 计算复杂度高
4. 学习得图结构密度太高
   所以，快速学习一个高精度大规模稀疏的FCM仍然是一个挑战的问题。
   压缩感知（CS）是用一种用在信号和图像处理上的稀疏重建方法。将FCM的稀疏重建问题转换为了稀疏信号的重建问题，由于CS具有数据要求极低、收敛到最优解的严格保证等显著特点，CS-FCM具有较高的精度和效率。
   与现有学习不超过500个节点的FCMs方法相比，CS-FCM可以学习1000个节点甚至更多的大规模稀疏FCMs，计算量小，学习的FCMs比现有方法更精确。
   首先，将问题分解成节点个体学习局部的连接，因为FCM的稀疏性，所以从时间序列恢复局部结构可以转换稀疏信号重建问题，该问题结合了局部结构的稀疏性和观测数据与模拟数据的差异，即重构误差。
   $$C_i(t+1)=\psi \left(\sum _{j=1}^N{w}_{ji}{C}_j(t)\right)$$
   可将上述FCM的公式变为
   $${\psi }^{-1}\left(C_i(t+1)\right)=\sum _{j=1}^N{w}_{ji}{C}_j(t)$$
   上述公式可以写成$Y_i=\Phi W_i$的形式，其中$Y_i$代表不同$t$下的${\psi }^{-1}\left(C_i(t+1)\right)$，$\Phi$代表节点的状态$C_j(t)$，$W_i$是节点$i$和所有节点的向量权重。最终得到以下公式：
   $$Y_i=\Phi \left[\begin{array}{c}{w}_{1i}\\ w_{2i}\\ ⋮\\ w_{Ni}\end{array}\right]$$
   $C_i^k(t)$是第$i$个节点在第$k$个观测序列的第$t$代的状态值。
   $$\Phi =\left[\begin{array}{cccc}{C}_1^1(1)& C_2^1(1)& \cdots & C_N^1(1)\\ ⋮& ⋮& \ddots & ⋮\\ C_1^1(M-1)& C_2^1(M-1)& \cdots & C_2^1(M-1)\\ ⋮& ⋮& \ddots & ⋮\\ C_1^l(1)& C_2^l(1)& \cdots & C_N^l(1)\\ ⋮& ⋮& \ddots & ⋮\\ C_1^l(M-1)& C_2^l(M-1)& \cdots & C_N^l(M-1)\end{array}\right]$$
   由此可得
   $$Y=\left[\begin{array}{cccc}{\psi }^{-1}\left(C_1^1(2)\right)& {\psi }^{-1}\left(C_2^1(2)\right)& \cdots & {\psi }^{-1}\left(C_N^1(2)\right)\\ ⋮& ⋮& \ddots & ⋮\\ {\psi }^{-1}\left(C_1^1(M)\right)& {\psi }^{-1}\left(C_2^1(M)\right)& \cdots & {\psi }^{-1}\left(C_N^1(M)\right)\\ ⋮& & \ddots & ⋮\\ {\psi }^{-1}\left(C_1^1(2)\right)& {\psi }^{-1}\left(C_2^l(2)\right)& \cdots & {\psi }^{-1}\left(C_N^l(2)\right)\\ ⋮& & \ddots & ⋮\\ {\psi }^{-1}\left(C_1^l(M)\right)& {\psi }^{-1}\left(C_2^l(M)\right)& ⋮& {\psi }^{-1}\left(C_N^l(M)\right)\end{array}\right]$$
   因此面对该问题，为了解决一个节点i到所有节电池的稀疏结构，我们需要建立L1规则化方法，如下
   $$\begin{array}{l}{\min }_{W_i}{\Vert W_i\Vert }_1\\ \text{ s.t. }{Y}_i=\Phi W_i\end{array}（1）$$
   算法流程如下：
   D为观察数据
   Step1:i=1，通过D去获取$\Phi 和Y$;
   Step2:对于节点i，建立（1）的目标函数；
   Step3:$W_i\leftarrow \mathrm{SIPM}\left(\Phi ,Y_i\right)$，通过$\Phi$和Y来得出W， 使用标准内部点方法。
   Step4:i=1+1
   Step5:如果i>N，则停止；否则转去Step2。

问题变成线性问题后则可以用SIPM来进行求解，比如原对偶路径跟踪内点法
复杂度分析

1. 空间复杂度：需要两部分主要的存储空间，首先需要存储D（观察数据），Y（前面有定义）和$\Phi$（前面有定义），需要O（MN）,第二部分是提供给标准内点法（SIPM），时间复杂度为O（MN），因此空间复杂度为O（MN）。
2. 时间复杂度：最主要的算法开销在Step3和Step1，这两者都是线性时间。 根据对SIPM的描述，CS-FCM的总时间复杂度为$O(MAXITER\times 2M{N}^3)$

实验

评估标准为（上述有详细介绍）：Data_Error、Out_of_Sample_Error、Model_Error、SS_Mean。

1. 数据长度对CS-FCM的影响
   数据长度$N_t$越大则效果越好，在CS-FC M中即使$N_t$很小，也能识别出大部分的连接，$N_t$越大则会有更高的SS_Mean（越大越好）,更低的Model_Error（越小越好）和更低的Out_of_Sample_Error（越小越好）。Data_Error也可以维持在一个较低的水平。
2. 稀疏度对CS-FCM的影响
   当密度增加时，SS_Mean减少，Model_Error增加，Out_of_Sample_Error增加，而Data_Error一直维持在一个较低的水平。稠密的FCM比稀疏的FCM需要更大的数据长度$N_t$。首先,对于致密FCMs、W的稀疏性较差，导致CS的预测误差较大。其次，对于具有大量邻居的节点，其每次受影响的概率都很大。
3. 噪声对CS-FCM的影响，实验中加入了不同程度的高斯噪声，实验表明，随着噪声程度的增加，CS-FCM的性能在逐渐降低。
   可以看出数据长度$N_t$越长准确率越高。

算法与LASSO-FCM、dMAGA、ACOrd、D&C RCGA RCGA进行了比较，在小规模和大规模数据中，得到了较好的结果。