CN110309547A - 一种基于多环境膜系统的大熊猫种群预测方法 - Google Patents
一种基于多环境膜系统的大熊猫种群预测方法 Download PDFInfo
- Publication number
- CN110309547A CN110309547A CN201910482436.1A CN201910482436A CN110309547A CN 110309547 A CN110309547 A CN 110309547A CN 201910482436 A CN201910482436 A CN 201910482436A CN 110309547 A CN110309547 A CN 110309547A
- Authority
- CN
- China
- Prior art keywords
- panda
- population
- environment
- module
- different
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 91
- 238000012360 testing method Methods 0.000 claims abstract description 34
- 230000006399 behavior Effects 0.000 claims abstract description 32
- 238000004088 simulation Methods 0.000 claims abstract description 28
- 238000013461 design Methods 0.000 claims abstract description 14
- 241000282452 Ailuropoda melanoleuca Species 0.000 claims abstract description 9
- 208000025174 PANDAS Diseases 0.000 claims description 240
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 claims description 240
- 240000004718 Panda Species 0.000 claims description 240
- 235000016496 Panda oleosa Nutrition 0.000 claims description 240
- 239000012528 membrane Substances 0.000 claims description 117
- 230000008859 change Effects 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 24
- 238000009395 breeding Methods 0.000 claims description 21
- 230000001488 breeding effect Effects 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 238000004891 communication Methods 0.000 claims description 20
- 238000011160 research Methods 0.000 claims description 18
- 235000013305 food Nutrition 0.000 claims description 17
- 230000035945 sensitivity Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 13
- 241000894007 species Species 0.000 claims description 9
- 238000013432 robust analysis Methods 0.000 claims description 6
- 238000010206 sensitivity analysis Methods 0.000 claims description 6
- 238000005094 computer simulation Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 230000007935 neutral effect Effects 0.000 claims description 3
- 230000008520 organization Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 230000003595 spectral effect Effects 0.000 abstract 1
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 6
- 235000017491 Bambusa tulda Nutrition 0.000 description 6
- 241001330002 Bambuseae Species 0.000 description 6
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 6
- 239000011425 bamboo Substances 0.000 description 6
- 230000001850 reproductive effect Effects 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 230000000366 juvenile effect Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000005315 distribution function Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000003197 catalytic effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000035899 viability Effects 0.000 description 2
- 235000009025 Carya illinoensis Nutrition 0.000 description 1
- 244000068645 Carya illinoensis Species 0.000 description 1
- 108050001718 Death domains Proteins 0.000 description 1
- 102000010170 Death domains Human genes 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 230000037406 food intake Effects 0.000 description 1
- 235000012631 food intake Nutrition 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 235000013336 milk Nutrition 0.000 description 1
- 239000008267 milk Substances 0.000 description 1
- 210000004080 milk Anatomy 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多环境膜系统的大熊猫种群预测方法,包括处理器,所述处理器的输出端电性连接有配置文件,且处理器的输出端电性连接有脚本文件,所述脚本文件的输出端电性连接有存储器,且存储器的输出端电性连接有鲁棒测试装置和灵敏度测试装置。该方法能通过输入GPBB和CCRCGP两个基地的大熊猫的原始谱系数据、多环境膜系统的概念模型设计、多环境膜系统的计算模型设计—将概念模型的进化行为符号化、选取MeCoSim软件平台对计算模型的多环境膜系统进行大熊猫种群预测仿真、以原始大熊猫数据和统计的出生率等核心参数作为初始数据及选取参数不确定性概率分布方法预测不同大熊猫个体年龄段的概率参数值的共同作用,便于根据物种进化行为完成预测种群数量的求解工作。
Description
技术领域
本发明涉及生态物种建模方法技术领域,特别是涉及一种基于多环境膜系统的大熊猫种群预测方法。
背景技术
生态系统种群多样性的研究有利于更好地掌握种群发展规律。在生态系统数据建模中最常用的方法为数理分析法如常微分方程法和偏微分方程法,然而常微分方程无法较好的捕捉生态系统的空间动态性和随机效应,偏微分方程法虽然解决了上述不足,但建模过程过于复杂,且任何微小的变动都需要重新建立模型。
现有的大熊猫种群预测方法的过程中,难以根据物种进化行为预测种群数量的求解,为此,我们提出一种基于多环境膜系统的大熊猫种群预测方法。
发明内容
本发明的目是提供一种基于多环境膜系统的大熊猫种群预测方法。
一种基于多环境膜系统的大熊猫种群预测系统,包括处理器,所述处理器的输出端电性连接有配置文件,且处理器的输出端电性连接有脚本文件,所述脚本文件的输出端电性连接有存储器,且存储器的输出端电性连接有鲁棒测试装置,所述鲁棒测试装置的输出端电性连接有灵敏度测试装置,且灵敏度测试装置的输出端电性连接有输出接口。
一种基于多环境膜系统的大熊猫种群预测方法,所述基于多环境膜系统的大熊猫种群预测方法的具体步骤为:
(a)输入GPBB和CCRCGP两个基地的大熊猫的原始谱系数据,如每个基地的雌性大熊猫个体数量,雄性大熊猫个体数量,大熊猫个体的年龄以及年龄段的划分等基本信息。
(b)多环境膜系统的概念模型设计。该模型主要是对自然界大熊猫的进化行为以及进化顺序的一种概念抽象。其中,每个环境及其物种都抽象为一套小型计算系统,多个环境则存在多种这样的小型系统。除此之外,环境之间还存在个体之间相互转移。
(c)多环境膜系统的计算模型设计—将概念模型的进化行为符号化。具体介绍如下:设计多环境膜系统的膜结构。该结构主要用于存放不同年龄段的大熊猫个体对象,个体所需的食物等基本要素;设计多环境膜系统大熊猫种群进化规则。该步骤需要将大熊猫个体进化行为以及不同区域个体交换行为进行映射化,即设计适合膜系统中规则集的形式。
(d)选取MeCoSim软件平台对计算模型的多环境膜系统进行大熊猫种群预测仿真。该软件仿真需要以下几种文件:配置文件,用于定义搭建数据库所需的仿真次数,输入输出表的字段等基本信息;模型文件,用于存储上一步骤规则集的代码;脚本文件,用于存储参数值以及输出通过仿真平台预测的大熊猫个体数量等基本信息。
(e)以原始大熊猫数据和统计的出生率等核心参数作为初始数据,通过软件仿真平台预测所需的未来若干年之后大熊猫种群数量的变化。
(f)选取参数不确定性概率分布方法预测不同大熊猫个体年龄段的概率参数值,通过微调,获取最佳组合运行,得到一组大熊猫个体预测数据。
(g)对多环境大熊猫种群预测结果进行性能验证,如利用鲁棒性分析法测试仿真平台在极限条件下是否能够真实的预测出实验结果,利用灵敏度分析法测试参数的变化是否会引起预测结果的大幅度变化。
(h)通过上述步骤的执行,本发明方法预测出一组实验数据,输出该结果,结束。
优选的,所述获取大熊猫基地的谱系数据主要来源于大熊猫的繁育研究基地,如成都大熊猫繁育研究基地、中国大熊猫繁育研究基地两处的两种不同气候,不同地理环境的区域,并根据数据获取各预设的不同地区不同年龄段对应的大熊猫种群的计算步骤,且获取两个基地的原始数据,根据所得到的数据利用概率不确定性分布算法通过计算装置获取所需阶段大熊猫种群数量的计算结果。
优选的,所述以不确定性概率分布算法为基于膜计算的概率不确定性分布算法,且根据所述初始数据利用概率不确定分布算法获取不同地区不同年龄段的大熊猫数据,具体的步骤包括:输入一个多环境膜系统,获取包含不同地区的所有大熊猫在不同年龄阶段的数据的初始系统格局;获取系统格局的初始化状态,根据大熊猫进化行为获取格局进化规则集,以及每个规则被选取的概率;获取规则模块被执行的顺序,根据大熊猫自然进化的规律,将权利要求2所述的每个地区的多种规则模块按照进化的优先级进行等级划分;根据每个模块的优先级,对于被执行的模块,它的规则以极大并行性进行选取,每次规则执行完之后,大熊猫就会进入下一等级的状态;在模块规则执行的过程中,由于大熊猫个体会经历繁殖规则和死亡规则,因此不同地区不同模块中的大熊猫的数量会发生一定的变化;获取不同环境中待交换的大熊猫个体,在规则执行结束之后,交换不同地区的一定数量的大熊猫,进而增设各个地区的种群多样性。
优选的,所述预测大熊猫种群数量,利用组织型膜系统获取满足预设约束条件的种群数量计算步骤,具体包括:根据种群建模目标,利用组织型膜系统,以大熊猫初始数据为研究对象,建立对应的计算模型;根据计算模型,获取满足预设约束条件的不同地区不同年龄段不同性别的大熊猫个体数量。
优选的,所述计算模型,获取预设约束条件的大熊猫种群数量的步骤,具体包括:获取多环境的膜结构,其中,每个膜结构代表一个大熊猫所生长的地方,每个环境包含一个嵌套多层膜,每个膜都用于执行不同个体行为的进化,外膜用于存储新产生的个体;在每个环境中,根据权利要求3预设的规则进化优先级,大熊猫个体(映射为对象)在规则的指导下开始进化,大熊猫个体依次进入繁殖模块,死亡模块,进食模块,营救模块以及野放模块等不同的模块,最后,不同环境之间进行若干个个体的交换;以上所述获取第一年种群个体,依次类推,最终获取若干年后所需的大熊猫种群数量,且在不同的进化模块中,如本权利所列举的五种基本模块,除了进食模块不影响大熊猫种群的数量之外,其余的四个模块都影响个体数量的变化,繁殖模块和死亡模块是影响种群变化的必要因素,营救模块,野放模块以及交流模块是其次要因素,其中,繁殖模块和营救模块用于增加大熊猫种群个体的数量,死亡模块和野放模块会减少种群个体的数量,对于交流模块,主要取决于不同环境中种群个体交换的数量
优选的,所述第一年进化的数据中获取若干年之后的种群数量的步骤,具体包括:以获取的不同地区的大熊猫个体数量为新的格局,使每个环境中的膜系统按照规则模块的顺序执行,获取下一年限的种群个体的数量,且受到活细胞进化的启发,每个膜上都带有一定的电荷(正电荷、负电荷以及中性电荷),在本次发明中,正电荷表示当前膜可以执行,负电荷表示抑制当前膜的执行,中性电荷表示膜结构的初始化,因此,在组织型膜系统规则顺利执行的过程中应该充分考虑到电荷的作用。
优选的,所述规则执行顺序的算法的选取步骤,具体包括:根据所述的超量规则数,从所述初始化规则集开始,使用不确定性概率分布算法(dndp)获取规则的执行顺序,根据所述顺序获取个体的不同的进化状态;随着当前格局的执行结束,获取每个地区大熊猫个体的性别、年龄以及各年龄段大熊猫种群数量集
优选的,所述将获取的种群数记录保存并将其输出到相应的文件中。
优选的,所述预测方法在软件仿真平台上预测种群数量方法的步骤来获取大熊猫个体的仿真预测数量。
有益效果在于:采用本发明的该方法能通过输入GPBB和CCRCGP两个基地的大熊猫的原始谱系数据、多环境膜系统的概念模型设计、多环境膜系统的计算模型设计—将概念模型的进化行为符号化、选取MeCoSim软件平台对计算模型的多环境膜系统进行大熊猫种群预测仿真、以原始大熊猫数据和真实的出生率等核心参数作为初始数据及选取参数不确定性概率分布方法预测不同大熊猫个体年龄段的概率参数值的共同作用,便于根据物种进化行为完成预测种群数量的求解工作,并且能够通过利用鲁棒性分析法测试仿真平台在极限条件下是否能够真实的预测出实验结果,利用灵敏度分析法测试参数的变化是否会引起预测结果的大幅度变化,对多环境大熊猫种群预测结果进行性能验证。
附图说明
图1为本发明的预测方法的流程示意图;
图2为本发明的实现本预测方法所需的电子设备的结构框图;
图3为本发明的基于多环境膜系统的大熊猫种群预测方法的流程示意图;
图4为本发明的基于多环境膜系统的大熊猫种群预测方法的仿真结果示意图。
图中:1001、处理器;1002、配置文件;1003、脚本文件;1004、存储器;1005、鲁棒测试装置;1006、灵敏度测试装置;1007、输出接口。
具体实施方式
膜计算(膜系统)能够通过不同的规则来模拟生物个体的进化行为,因此它主要应用于研究生态系统种群动态性。目前,膜系统主要应用于单环境物种种群动态的研究。
请参阅图1-4,一种基于多环境膜系统的大熊猫种群预测方法,包括处理器1001、配置文件1002、脚本文件1003、存储器1004、鲁棒测试装置1005、灵敏度测试装置1006和输出接口1007,处理器1001的输出端电性连接有配置文件1002,且处理器1001的输出端电性连接有脚本文件1003,脚本文件1003的输出端电性连接有存储器1004,且存储器1004的输出端电性连接有鲁棒测试装置1005,鲁棒测试装置1005的输出端电性连接有灵敏度测试装置1006,且灵敏度测试装置1006的输出端电性连接有输出接口1007。
一种基于多环境膜系统的大熊猫种群预测方法,基于多环境膜系统的大熊猫种群预测方法的具体步骤为:
(a)输入GPBB和CCRCGP两个基地的大熊猫的原始谱系数据,如每个基地的雌性大熊猫个体数量,雄性大熊猫个体数量,大熊猫个体的年龄以及年龄段的划分等基本信息。
(b)多环境膜系统的概念模型设计。该模型主要是对自然界大熊猫的进化行为以及进化顺序的一种概念抽象。其中,每个环境及其物种都抽象为一套小型计算系统,多个环境则存在多种这样的小型系统。除此之外,环境之间还存在个体之间相互转移。
(c)多环境膜系统的计算模型设计—将概念模型的进化行为符号化。具体介绍如下:设计多环境膜系统的膜结构。该结构主要用于存放不同年龄段的大熊猫个体对象,个体所需的食物等基本要素;设计多环境膜系统大熊猫种群进化规则。该步骤需要将大熊猫个体进化行为以及不同区域个体交换行为进行映射化,即设计适合膜系统中规则集的形式。
(d)选取MeCoSim软件平台对计算模型的多环境膜系统进行大熊猫种群预测仿真。该软件仿真需要以下几种文件:配置文件,用于定义搭建数据库所需的仿真次数,输入输出表的字段等基本信息;模型文件,用于存储上一步骤规则集的代码;脚本文件,用于存储参数值以及输出通过仿真平台预测的大熊猫个体数量等基本信息。
(e)以原始大熊猫数据和统计的出生率等核心参数作为初始数据,通过软件仿真平台预测所需的未来若干年之后大熊猫种群数量的变化。
(f)选取参数不确定性概率分布方法预测不同大熊猫个体年龄段的概率参数值,通过微调,获取最佳组合运行,得到一组大熊猫个体预测数据。
(g)对多环境大熊猫种群预测结果进行性能验证,如利用鲁棒性分析法测试仿真平台在极限条件下是否能够真实的预测出实验结果,利用灵敏度分析法测试参数的变化是否会引起预测结果的大幅度变化。
(h)通过上述步骤的执行,本发明方法预测出一组实验数据,输出该结果,结束。
进一步的,获取大熊猫基地的谱系数据主要来源于大熊猫的繁育研究基地,如成都大熊猫繁育研究基地、中国大熊猫繁育研究基地两处的两种不同气候,不同地理环境的区域,并根据数据获取各预设的不同地区不同年龄段对应的大熊猫种群的计算步骤,且获取两个基地的原始数据,根据所得到的数据利用概率不确定性分布算法通过计算装置获取所需阶段大熊猫种群数量的计算结果。
进一步的,以不确定性概率分布算法为基于膜计算的概率不确定性分布算法,且根据所述初始数据利用概率不确定分布算法获取不同地区不同年龄段的大熊猫数据,具体的步骤包括:输入一个多环境膜系统,获取包含不同地区的所有大熊猫在不同年龄阶段的数据的初始系统格局;获取系统格局的初始化状态,根据大熊猫进化行为获取格局进化规则集,以及每个规则被选取的概率;获取规则模块被执行的顺序,根据大熊猫自然进化的规律,将权利要求2所述的每个地区的多种规则模块按照进化的优先级进行等级划分;根据每个模块的优先级,对于被执行的模块,它的规则以极大并行性进行选取,每次规则执行完之后,大熊猫就会进入下一等级的状态;在模块规则执行的过程中,由于大熊猫个体会经历繁殖规则和死亡规则,因此不同地区不同模块中的大熊猫的数量会发生一定的变化;获取不同环境中待交换的大熊猫个体,在规则执行结束之后,交换不同地区的一定数量的大熊猫,进而增设各个地区的种群多样性。
进一步的,预测大熊猫种群数量,利用组织型膜系统获取满足预设约束条件的种群数量计算步骤,具体包括:根据种群建模目标,利用组织型膜系统,以大熊猫初始数据为研究对象,建立对应的计算模型;根据计算模型,获取满足预设约束条件的不同地区不同年龄段不同性别的大熊猫个体数量。
进一步的,计算模型,获取预设约束条件的大熊猫种群数量的步骤,具体包括:获取多环境的膜结构,其中,每个膜结构代表一个大熊猫所生长的地方,每个环境包含一个嵌套多层膜,每个膜都用于执行不同个体行为的进化,外膜用于存储新产生的个体;在每个环境中,根据权利要求3预设的规则进化优先级,大熊猫个体(映射为对象)在规则的指导下开始进化,大熊猫个体依次进入繁殖模块,死亡模块,进食模块,营救模块以及野放模块等不同的模块,最后,不同环境之间进行若干个个体的交换;以上所述获取第一年种群个体,依次类推,最终获取若干年后所需的大熊猫种群数量,且在不同的进化模块中,如本权利所列举的五种基本模块,除了进食模块不影响大熊猫种群的数量之外,其余的四个模块都影响个体数量的变化,繁殖模块和死亡模块是影响种群变化的必要因素,营救模块,野放模块以及交流模块是其次要因素,其中,繁殖模块和营救模块用于增加大熊猫种群个体的数量,死亡模块和野放模块会减少种群个体的数量,对于交流模块,主要取决于不同环境中种群个体交换的数量
进一步的,第一年进化的数据中获取若干年之后的种群数量的步骤,具体包括:以获取的不同地区的大熊猫个体数量为新的格局,使每个环境中的膜系统按照规则模块的顺序执行,获取下一年限的种群个体的数量,且受到活细胞进化的启发,每个膜上都带有一定的电荷(正电荷、负电荷以及中性电荷),在本次发明中,正电荷表示当前膜可以执行,负电荷表示抑制当前膜的执行,中性电荷表示膜结构的初始化,因此,在组织型膜系统规则顺利执行的过程中应该充分考虑到电荷的作用。
进一步的,规则执行顺序的算法的选取步骤,具体包括:根据所述的超量规则数,从所述初始化规则集开始,使用不确定性概率分布算法(dndp)获取规则的执行顺序,根据所述顺序获取个体的不同的进化状态;随着当前格局的执行结束,获取每个地区大熊猫个体的性别、年龄以及各年龄段大熊猫种群数量集
进一步的,将获取的种群数记录保存并将其输出到相应的文件中。
进一步的,预测方法在软件仿真平台上预测种群数量方法的步骤来获取大熊猫个体的仿真预测数量。
实施例1
通过处理器1001调用配置文件1002,脚本文件1003,并执行以下操作:
读取仿真软件Mecosim应用程序的基本信息,如文件路径,程序路径,仿真周期以及一个周期所需的仿真步数等。
获取输入数据,如导入配置文件1002,脚本文件1003以及模型文件,这些文件数据会在预测的过程中参与种群预测的执行。
进一步地,处理器1001可以调用存储器1004中存储的多环境膜系统建模程序,还执行如下操作:
获取计算装置所需的算法,如dndp,该算法的关键步骤包括初始化规则集的方法和选择模型中可执行规则集的方法。
进一步地,处理器1001可以调用存储器1004中存储的多环境膜系统建模程序,还执行以下操作:
获取多环境的数目,根据所研究的大熊猫种群所分布的区域设定环境(模型中抽象为细胞数),得到多环境膜系统的数学模型。
进一步地,处理器1001可以调用存储器1004中存储的多环境膜系统建模程序,还执行以下操作:
获取模型文件中的繁殖规则程序,死亡规则程序,进食规则程序,以及营救(野放)规则程序。
根据上述不同规则执行程序以及规则的执行顺序,获取满足约束条件的大熊猫种群仿真数量。
进一步地,处理器1001可以调用鲁棒性测试装置1005,还执行以下操作:
获取系统达到边界状态或用户错误输入种群数为小数时系统的响应情况,根据该装置接收到的信息,检测该系统是否有足够的能力进行处理,从而估测出系统的鲁棒性能。
进一步地,处理器1001可以调用灵敏度测试装置1006,并执行以下操作:
获取系统达到稳态时参数的置信度区间。通过对建模中的核心参数值不断的进行调整测试,检测参数在何种情况下调整可以使计算装置稳定,在何种情况下,使计算装置处于大幅度波动状态。
实施例2
参照图3,在本发明预测法中,所述方法包括以下步骤:
步骤S010:构建大熊猫种群动态多环境概率膜系统的概念模型,具体介绍如下:
膜计算是自然计算中一个新兴的研究领域,它的计算模型是从生命细胞的结构和细胞群协作中抽象出来,理论证明它等同于图灵机的计算能力。膜系统有不同的细胞构成(每个细胞抽象为一个环境),每个细胞中都具有一套完备的规则体系和对象集,细胞与细胞之间可以进行若干个对象的交换,该系统经过若干次格局的转换之后输出一系列的模型计算结果。
在所设计的模型中,研究的多环境空间主要集中在GPBB和CCRCGP两个地区的圈养大熊猫生态系统中。GPBB圈养大熊猫生态系统考虑的种群主要包括GPBB、成都动物园以及在GPBB出生但生活在GPBB之外的国内外动物园的大熊猫,CCRCGP圈养大熊猫生态系统考虑的种群包括卧龙基地、雅安碧峰峡基地、都江堰基地以及在这三个基地出生但生活在CCRCGP之外的大熊猫。研究的参照基础是中国动物园协会发布的大熊猫谱系数据,从2005年至2016年,时间跨度为12年。
研究的主要目标是设计一个符合圈养大熊猫生态系统的多环境种群动态P系统模型。通过使用所提供的模型和数据来模拟所研究系统的行为,将焦点集中在不同地区不同年龄段的雌性和雄性大熊猫数量的演变。
多环境大熊猫生态系统建模的过程对应于繁殖、死亡、进食、救护、野放以及交流六个过程。模型中,根据大熊猫年龄分为六个生命阶段:幼年、亚成年、成年、中年、中老年以及老年。这种分类主要源于专家对于不同阶段大熊猫死亡率、繁殖率和食物的认识。在此,主要考虑三大种类的食物:竹子、竹笋和其他食物。
针对所研究不同地区的大熊猫生态系统设计的概念模型都由一个循环结构组成,这样在每个地区的每个周期内都由四个主要模块组成(繁殖、死亡和进食模块按顺序排列,与救护模块并行执行),与一个自然年的过程相对应。在任何情况下,虽然每个地区每个个体都经历着自身的变化,但所有个体又是同时进化,且地区与地区之间还存在一定的个体交换。多环境模型的概念模型如图3所示。该图的每个模块具体介绍如下:
繁殖模块S01:每年都有许多新个体出生。每年新增的个体数量有很大的差异,这主要与处于生育年龄(繁殖期)的总个数有关。出生个体数与自然因素如出生率等相关,在未来的扩展模型中,还可以考虑其他的细节因素。
死亡模块S02:与野外环境对比,在圈养生态系统中,由于人为因素的干扰,如生存条件和医疗手段得到改善,大熊猫的死亡率显著降低,且大熊猫的最大寿命也在逐渐变长。在此模型中,根据统计数据的变化情况来设置雌雄性大熊猫的死亡率以及雌雄性大熊猫的最大寿命。
进食模块S03:在一个循环周期内,大熊猫的食物主要包括竹子、竹笋及其他少量食物(如牛奶、水果等)。在圈养环境中,大熊猫所需的食物都能够得到充分的保证,但在未来的研究中可以考虑自然灾害如地震、气候异常等对食物来源的破坏。
营救模块S04:主要描述从野外营救的若干只大熊猫的一系列动作,然后将它们圈养在当地的大熊猫保护基地中心,使其能让它在工作研究员的精心照料下恢复健康,并且也能够增加当地大熊猫种群的多样性。
野放模块S05:由于在野外环境中,大熊猫具有更好的生存能力,因此本发明例考虑将具备野外生存能力的大熊猫回归自然森林。
交流模块S06:为了改善不同地区的大熊猫的种群多样性,考虑不同地区之间的交流行为是增加基因多样性的一个重要手段。因此,在本模型中加入了交流模块,并给出了不同地区不同年龄段的交流概率。
需要说明的是,在进行概念模型设计之前,需要获取环境个数以及大熊猫的进化行为,然后根据实际情况预设不同的进化模块,如繁殖模块等,这些行为模块可根据大熊猫所在的环境、出生、死亡等自然因素来确定,具体确定因素以及方式可根据实际情况而定,本发明对此不加以限制。本发明例将繁殖模块→死亡模块→进食模块→交流模块作为一个仿真周期,即当模型分别执行四个步骤之后,完成一次循环,此时大熊猫的年龄上调一岁。
步骤S020:多环境概率膜系统的计算模型设计。设计多环境概率膜系统结构,设计初始对象集(大熊猫映射为对象),设计不同环境中不同年龄段的大熊猫进化规则集,包括繁殖规则,死亡规则等6个模块的规则集。具体介绍如下:
需要说明的是,在计算模型阶段,主要研究GPBB和CCRCGP两个基地的大熊猫数据,每个环境包含两层膜嵌套结构,内膜主要用于存放食物、大熊猫个体不同行为的进化规则,外膜主要用于存放进化之后的大熊猫的个体,外膜和内膜之间可以进行物质的交换,每个膜上都带有不同极性的电荷,用于控制膜的执行。
基于上述大熊猫进化行为的六个模块,设计一个符合不同地区的圈养大熊猫生态系统的种群P系统模型。本模型中,多环境P系统主要包括环境数、膜结构、初始字母表和进化规则,具有两个环境e1和e2,每个环境包含一个两层膜嵌套结构,则度为(2,2),时间为T的多环境种群动态P系统的数学模型表示为:
П=(G,Γ,∑,T,RE,μ,R,{fr,j|r∈R∧1≤j≤2},{Mi,j|1≤i≤q},{Ej})
其中:
(1)G是一个空表;
工作字母表:
Γ={Xe,i,j,c,Ye,i,j,c,Ze,i,j,c,Ge,i,j,c,We,i,j,c;
1≤e≤2,1≤i≤2,0≤j≤ki,6,1≤c≤12}∪{S,B,O,F}
其中,在初始状态时,每只大熊猫都与一个对象Xe,i,j,c联系在一起,随着个体生命阶段的变化也发生变化。对象Xe,i,j,c代表繁殖模块之前环境e中第c年性别为i年龄为j的大熊猫个体,其中,e=1代表GPBB,e=2代表CCRCGP,i=1代表雄性个体,i=2代表雌性个体。对象Ye,i,j,c代表新生大熊猫个体,对象Ze,i,j,c代表经过死亡模块之后的存活个体,对象Ge,i,j,c代表交流模块之后的大熊猫个体,对象We,i,j,c代表进食模块之后的大熊猫个体,对象F作用是在每个周期初始产生新的食物,对象S,B,O分别代表竹笋、竹子和其他的食物。
需要说明的是,本发明例中仅列出了该模型所用到的符号,且每一个字母代表一个大熊猫进化之后所处的一种状态,Y,Z,W的下标与X表示的意思一致,为了简便,本发明仅对X做了详细解释。
∑为字母表;
T为多环境膜系统的仿真次数;
为多环境膜结构;
M1,1和M1,2为区域μ中的初始对象集;
其中,qe,i,j,c表示第c年环境e中性别为i年龄为j的大熊猫的数量,为模型输入的初始种群。
RE和R为模型中的规则集,对应于上述实施例中的六个模块所映射的初始规则,繁殖规则,死亡规则,交流规则,进食规则以及更新规则等。具体介绍如下所述:
初始规则—初始化两个环境中大熊猫所需的食物
其中,Fe表示催化条件,即上述规则在催化的作用下才能够执行,s1,s2,s3分别表示三种食物的数量。
繁殖规则—规则设计分为两种,处于繁殖期的雌性个体和未处于繁殖期的雌性个体和所有的雄性个体,两种类型的规则设计如下:
-未处于繁殖期的雌性个体和全部的雄性个体进化规则
-处于繁殖期的雌性个体
其中,1≤e≤2,i=1或者i=2,0≤j≤ki,6,1≤c≤12,pxe,n,c表示环境e中磁性大熊猫个体的繁殖率,n为新生个体数。
需要说明的是,X表示繁殖之前的大熊猫个体,Y表示进入死亡模块的大熊猫个体,箭头的含义表示为大熊猫个体以一定的概率从当前的状态转入下一个状态。
死亡规则—主要分为两种,一种进入死亡区的规则,一种是从死亡模块转入下一模块的规则,具体介绍如下:
转入下一状态的规则
进入死亡区的规则,分为未达到最大寿命的规则但死亡的个体和达到最大寿命死亡的个体
未达到最大寿命但死亡的个体的规则
达到最大寿命的规则
其中,1≤e≤2,i=1或者i=2,0≤j≤ki,6,1≤c≤12,pe,c表示个体的死亡率;
需特别说明的是,在实际生活中,当大熊猫死亡之后,则该个体就不在存在于种群中了,因此对于规则设计而言,当执行规则r5或r6时,则当前大熊猫种群的个数减1。当大熊猫个体未达到最大寿命时,则以一定的概率执行死亡规则,当达到最大寿命时,则即刻执行死亡规则。
交流规则—主要是多环境的特点,在交流规则中,本发明主要分为幼年期,亚成年期和成年期三个阶段
幼年期大熊猫在多环境之间的交流规则
亚成年期大熊猫在多环境之间的交流规则
成年期大熊猫在多环境之间的交流规则
其中,1≤i≤2,1≤c≤12,幼年期0≤j<ki,1,亚成年期ki,1≤j<ki,2,成年期ki,2≤j<ki,6。
需要说明的是,Z表示经过死亡模块之后的存活个体,G表示交流模块之后的大熊猫个体,三个不同的阶段中都包含两个规则,第一条规则表示将环境e1中的大熊猫个体以一定的概率转移到环境e2中,第二条规则则表示将环境e2中的个体以一定的概率转移到环境e1中,即完成两个环境中不同个体的交换,从而提高两个环境中大熊猫种群的多样性。
进食规则—由于不同年龄段的大熊猫个体进食量的不同,进食规则主要分为幼年期,亚成年期和成年期三个阶段的进食,具体介绍如下:
幼年期大熊猫个体的进食规则
亚成年期大熊猫个体的进食规则
成年期大熊猫个体的进食规则
其中,1≤i≤2,1≤c≤12,幼年期0≤j<ki,1,亚成年期ki,1≤j<ki,2,成年期ki,2≤j<ki,6,W表示进食之后的模块。
更新规则—主要分为两种,第一类规则对环境中的食物初始化,第二类规则将模型中的所有存活的大熊猫个体的年龄上调一岁,具体介绍如下:
第一类规则
第二类规则
其中,1≤e≤2,1≤i≤2,0≤j≤ki,6,1≤c≤12。
需要说明的是,λ表示一个空集,即当执行第一类规则的时候,两个环境中所有的食物全部被移除,这主要是为了让系统的每一次循环都能够在相同的条件下执行。第二类规则中,j+1表示大熊猫个体的年龄上调一岁,c+1表示模型进入第c+1年仿真,此时,将大熊猫个体转移到外层膜中,内层膜中的对象全部初始化。在上述规则执行的过程中,需要经验设置规则的优先级,然后每类规则以极大并行性执行。
在具体实现中,Π系统的完整执行过程如下所示:
需要说明的是,在图3中,从S01~S06是一次完整的格局执行过程。根据不同发明例的需求,S01~S03之间的执行顺序可以进行一定的变换,如顺序S01→S02→S03可以变换为S01→S03→S02或者S02→S03→S01或者S02→S01→S03或者S03→S01→S02或者S03→S02→S01六种不同的类型。应注意到,在多环境膜系统中,每个环境中可以存在不同的行为或执行顺序不一致的情况,本发明预测法在执行这六种类型时会获取到不同的实验结果。在本发明例中,根据需求,固定一种交流规则的执行顺序,即本发明仅研究第一种类型且每个环境中的执行顺序一样的案例,其余情况类似。
首先,初始化模型中所需的参数,如出生概率,死亡概率,交流概率,营救概率,野放概率以及每条规则被执行的概率等模型的核心参数。
其次,每个环境中大熊猫个体进入S01,此时处于繁殖期的雌性大熊猫个体开始繁殖并产生新的个体,进入到下一状态。
再次,当两个环境中的大熊猫个体都进入S02时,系统开始执行死亡规则,每条规则都按照一定的概率执行。
然后,当多环境中的大熊猫个体都进入S03状态时,系统开始执行进食规则和营救规则,每条规则都按照一定的概率执行。
最后,当上述5个模块执行结束之后,系统进入更新模块,则一次格局执行过程结束,然后系统多次执行,直至达到终态,输出实验结果。
步骤S030:预测概率膜系统的参数值及参数的变化情况,其中,这些参数包括出生率、死亡率以及交流率。根据参数不确定性因素分析法预测实验参数的变化情况,如根据beta分布模拟大熊猫种群的出生率和死亡率的变化,根据正态分布模拟某年份种群数量变化的时间方差,根据beta分布模拟模型每次循环的不确定性。
在具体实现中,可根据发明例S40的预设条件对多环境种群建模中参数不确定性因素进行初步分析。模型参数的不确定性主要源于结构不确定性(源自系统动力学的竞争假设)、时间方差不确定性(源自环境不可控因素)、种群统计随机性(源自种群结构随机波动)以及参数估计随机性(源自经验判断)等,这些不确定性因素导致了预测结果与统计结果的不一致性。为了使计算模型的结果能够更好的匹配统计结果,本发明提出了对多环境膜系统模型的参数不确定性因素进行分析。
本实施例获取影响参数不确定性的三种因素:采样方差、时间方差以及参数方差,其中,采样方差主要用于描述,时间方差主要用于描述在预设的时间间隔内大熊猫种群的变化幅度,参数方差主要表示在预设时间间隔内出生率和死亡率的变化幅度。具体地,三种因素分别对应三种不同的循环,外循环,中间循环以及内循环三层。其中,
外循环为采样方差,它主要通过根据实际数据分布取1000次模拟得到的估计方差和统计样本方差(Var(N))的差值得到,如公式:
中间循环为时间方差,通过正态分布计算所得,如公式:
σi~norm(σ,SV)
其中,i表示年份,σ为参数的样本方差,
内循环为参数方差,主要用于估计出生率和死亡率两个参数的概率分布,两个参数的概率分布函数如公式:
μi~beta(α,β)
其中,Si服从beta分布,分布函数的两个参数为出生率和死亡率的均值。
在本预测法中,基于制定次数重复循环运行多环境模型若干次(每当模拟时钟为0时表示完成一次循环),获取模型中每个环境的采样方差如公式基于采样方差,获取服从正态分布的时间方差,此外,单位时间间隔还继承了每个种群的大小和个体信息,在此基础上,开始模拟在预设范围内的方差值,基于采样方差和时间方差,获取控制大熊猫个体的各种进化行为的参数概率分布方差,如果达到预设的条件,则获取不同环境中的多组出生率和死亡率的参数集。理论分析可知,通过考虑参数的不确定性对模型带来的影响能够更好的诊断和预测大熊猫种群动态的变化,从而降低管理决策者在做决策时对相关风险的判断。
步骤S040:执行多环境膜系统,并输出每个环境中预测的大熊猫种群数量,并对大熊猫个体数量变化的情况进行灵敏度以及鲁棒性分析。
首先,执行多环境种群动态P系统模型需获取系统配置文件,模型文件以及脚本文件,然后将其导入到仿真软件中,执行,即可得到大熊猫种群数量的预测实验结果。具体介绍如下:
配置文件:设置仿真软件应用程序的基本信息,搭建多环境输入和输出框架,如建立程配置表,输入参数表和输出结果表等。
模型文件:又称为P-Lingua用户文件,主要使用P-Lingua语言对膜计算模型进行定义,即将上述实施例(步骤S50)的膜结构、初始对象集合规则代码封装在一个脚本文件中,若被调用,即可执行。
数据文件:用于存储多环境膜系统的实验数据和仿真数据。
在上述配置文件完成之后,Π系统开始执行(执行过程请参考步骤S020)。
其次,输出多环境膜系统预测的大熊猫个体数量,如图4所示。该图表明,与统计的数据相比,基于多环境膜系统的大熊猫种群预测方法能够以较小偏差预测出当前大熊猫种群数量,从而也证明了本发明预测方法的可行性和有效性。
由于若干次的运行并不能保证系统的稳定性等其他性能,因此本实施例对该模型进行了鲁棒性和灵敏度的分析,具体介绍如下:
鲁棒性分析法-主要用于测试模型达到边界状态或输入异常数据时系统的容忍度
该方法主要是对基于多环境膜系统的大熊猫种群特征建模装置进行一定的测量。对于边界状态的检验,过程主要是验证随着数据量的增加,系统的时间和空间是否以数量级的尺度增加,如果是,则表明当数据量增加到一定程度时,必定会引起系统的崩溃,否则,表明这两种指标会增加,但不至于使系统达到濒临状态。
异常数据测试。若用户在输入初始数据时,输入了小数数据,例如输入5.5只大熊猫个体,则此时系统需要调入异常程序进行判断,如果该程序能够正常检测出输入错误,则表明系统的鲁棒性较好。
灵敏度分析法-主要分析模型关键参数的变化是否会引起实验结果的大幅度变化
步骤S040的执行过程表明模型参数对大熊猫个体的进化起着决定性的作用,参数的稍微变化都会引起模型的仿真实验结果的相对误差的偏度相对较大。由于多环境膜系统的种群动态参数都具有一定程度不确定的估计值,因此本发明中对参数的灵敏度进行了分析。
对多环境膜系统中的四大模块的不同执行顺序以及两个环境中的统计数据与实验数据的相对误差进行评估。具体地,如果调整不同的模块顺序之后,模型的仿真实验结果的相对误差的偏度相对较小,则表明本实施例所设计的基于多环境膜系统的大熊猫种群特征建模方法具有较好的稳定性,如果任何微小的顺序调换都会引起预测结果的大幅度变动,则表明该预测方法并没有较好的稳定性,这意味着,参数的选取对系统的稳定性具有一定的敏感度,此时,可以进一步确定参数对于系统稳定性的置信度区间。
本发明基于多环境膜系统的大熊猫种群预测方法工作时,首先通过构建两个环境的大熊猫种群动态特征多环境膜系统模型方法,预测不同地区的大熊猫种群数量;通过选取模型参数的不确定性概率分布函数,预测多环境膜系统中不同地区每个年龄阶段的参数集;通过对模型主要参数的灵敏度分析,预测参数的置信度区间,从而保证当参数值在该区间取值时,大熊猫种群数量的变化不会偏大。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于多环境膜系统的大熊猫种群预测系统,其特征在于:包括处理器(1001)、配置文件(1002)、脚本文件(1003)、存储器(1004)、鲁棒测试装置(1005)、灵敏度测试装置(1006)和输出接口(1007),所述处理器(1001)的输出端电性连接有配置文件(1002),且处理器(1001)的输出端电性连接有脚本文件(1003),所述脚本文件(1003)的输出端电性连接有存储器(1004),且存储器(1004)的输出端电性连接有鲁棒测试装置(1005),所述鲁棒测试装置(1005)的输出端电性连接有灵敏度测试装置(1006),且灵敏度测试装置(1006)的输出端电性连接有输出接口(1007)。
2.一种基于多环境膜系统的大熊猫种群预测方法,其特征在于:所述基于多环境膜系统的大熊猫种群预测方法的具体步骤为:
(a)输入GPBB和CCRCGP两个基地的大熊猫的原始谱系数据,如每个基地的雌性大熊猫个体数量,雄性大熊猫个体数量,大熊猫个体的年龄以及年龄段的划分等基本信息。
(b)多环境膜系统的概念模型设计。该模型主要是对自然界大熊猫的进化行为以及进化顺序的一种概念抽象。其中,每个环境及其物种都抽象为一套小型计算系统,多个环境则存在多种这样的小型系统。除此之外,环境之间还存在个体之间相互转移。
(c)多环境膜系统的计算模型设计—将概念模型的进化行为符号化。具体介绍如下:设计多环境膜系统的膜结构。该结构主要用于存放不同年龄段的大熊猫个体对象,个体所需的食物等基本要素;设计多环境膜系统大熊猫种群进化规则。该步骤需要将大熊猫个体进化行为以及不同区域个体交换行为进行映射化,即设计适合膜系统中规则集的形式。
(d)选取MeCoSim软件平台对计算模型的多环境膜系统进行大熊猫种群预测仿真。该软件仿真需要以下几种文件:配置文件,用于定义搭建数据库所需的仿真次数,输入输出表的字段等基本信息;模型文件,用于存储上一步骤规则集的代码;脚本文件,用于存储参数值以及输出通过仿真平台预测的大熊猫个体数量等基本信息。
(e)以原始大熊猫数据和统计的出生率等核心参数作为初始数据,通过软件仿真平台预测所需的未来若干年之后大熊猫种群数量的变化。
(f)选取参数不确定性概率分布方法预测不同大熊猫个体年龄段的概率参数值,通过微调,获取最佳组合运行,得到一组大熊猫个体预测数据。
(g)对多环境大熊猫种群预测结果进行性能验证,如利用鲁棒性分析法测试仿真平台在极限条件下是否能够真实的预测出实验结果,利用灵敏度分析法测试参数的变化是否会引起预测结果的大幅度变化。
(h)通过上述步骤的执行,本发明方法预测出一组实验数据,输出该结果,结束。
3.根据权利要求1所述的一种基于多环境膜系统的大熊猫种群预测方法,其特征在于:所述获取大熊猫基地的谱系数据主要来源于大熊猫的繁育研究基地,如成都大熊猫繁育研究基地、中国大熊猫繁育研究基地两处的两种不同气候,不同地理环境的区域,并根据数据获取各预设的不同地区不同年龄段对应的大熊猫种群的计算步骤,且获取两个基地的原始数据,根据所得到的数据利用概率不确定性分布算法通过计算装置获取所需阶段大熊猫种群数量的计算结果。
4.根据权利要求2所述的一种基于多环境膜系统的大熊猫种群预测方法,其特征在于:所述以不确定性概率分布算法为基于膜计算的概率不确定性分布算法,且根据所述初始数据利用概率不确定分布算法获取不同地区不同年龄段的大熊猫数据,具体的步骤包括:输入一个多环境膜系统,获取包含不同地区的所有大熊猫在不同年龄阶段的数据的初始系统格局;获取系统格局的初始化状态,根据大熊猫进化行为获取格局进化规则集,以及每个规则被选取的概率;获取规则模块被执行的顺序,根据大熊猫自然进化的规律,将权利要求2所述的每个地区的多种规则模块按照进化的优先级进行等级划分;根据每个模块的优先级,对于被执行的模块,它的规则以极大并行性进行选取,每次规则执行完之后,大熊猫就会进入下一等级的状态;在模块规则执行的过程中,由于大熊猫个体会经历繁殖规则和死亡规则,因此不同地区不同模块中的大熊猫的数量会发生一定的变化;获取不同环境中待交换的大熊猫个体,在规则执行结束之后,交换不同地区的一定数量的大熊猫,进而增设各个地区的种群多样性。
5.根据权利要求3所述的一种基于多环境膜系统的大熊猫种群预测方法,其特征在于:所述预测大熊猫种群数量,利用组织型膜系统获取满足预设约束条件的种群数量计算步骤,具体包括:根据种群建模目标,利用组织型膜系统,以大熊猫初始数据为研究对象,建立对应的计算模型;根据计算模型,获取满足预设约束条件的不同地区不同年龄段不同性别的大熊猫个体数量。
6.根据权利要求4所述的一种基于多环境膜系统的大熊猫种群预测方法,其特征在于:所述计算模型,获取预设约束条件的大熊猫种群数量的步骤,具体包括:获取多环境的膜结构,其中,每个膜结构代表一个大熊猫所生长的地方,每个环境包含一个嵌套多层膜,每个膜都用于执行不同个体行为的进化,外膜用于存储新产生的个体;在每个环境中,根据权利要求3预设的规则进化优先级,大熊猫个体(映射为对象)在规则的指导下开始进化,大熊猫个体依次进入繁殖模块,死亡模块,进食模块,营救模块以及野放模块等不同的模块,最后,不同环境之间进行若干个个体的交换;以上所述获取第一年种群个体,依次类推,最终获取若干年后所需的大熊猫种群数量,且在不同的进化模块中,如本权利所列举的五种基本模块,除了进食模块不影响大熊猫种群的数量之外,其余的四个模块都影响个体数量的变化,繁殖模块和死亡模块是影响种群变化的必要因素,营救模块,野放模块以及交流模块是其次要因素,其中,繁殖模块和营救模块用于增加大熊猫种群个体的数量,死亡模块和野放模块会减少种群个体的数量,对于交流模块,主要取决于不同环境中种群个体交换的数量
7.根据权利要求4或5所述的一种基于多环境膜系统的大熊猫种群预测方法,其特征在于:所述第一年进化的数据中获取若干年之后的种群数量的步骤,具体包括:以获取的不同地区的大熊猫个体数量为新的格局,使每个环境中的膜系统按照规则模块的顺序执行,获取下一年限的种群个体的数量,且受到活细胞进化的启发,每个膜上都带有一定的电荷(正电荷、负电荷以及中性电荷),在本次发明中,正电荷表示当前膜可以执行,负电荷表示抑制当前膜的执行,中性电荷表示膜结构的初始化,因此,在组织型膜系统规则顺利执行的过程中应该充分考虑到电荷的作用。
8.根据权利要求6所述的一种基于多环境膜系统的大熊猫种群预测方法,其特征在于:所述规则执行顺序的算法的选取步骤,具体包括:根据所述的超量规则数,从所述初始化规则集开始,使用不确定性概率分布算法(dndp)获取规则的执行顺序,根据所述顺序获取个体的不同的进化状态;随着当前格局的执行结束,获取每个地区大熊猫个体的性别、年龄以及各年龄段大熊猫种群数量集。
9.根据权利要求7所述的一种基于多环境膜系统的大熊猫种群预测方法,其特征在于:所述将获取的种群数记录保存并将其输出到相应的文件中。
10.根据权利要求1、2、3、4、5、6、7或8所述的一种基于多环境膜系统的大熊猫种群预测方法,其特征在于:所述预测方法在软件仿真平台上预测种群数量方法的步骤来获取大熊猫个体的仿真预测数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910482436.1A CN110309547B (zh) | 2019-06-04 | 2019-06-04 | 一种基于多环境膜系统的大熊猫种群预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910482436.1A CN110309547B (zh) | 2019-06-04 | 2019-06-04 | 一种基于多环境膜系统的大熊猫种群预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110309547A true CN110309547A (zh) | 2019-10-08 |
CN110309547B CN110309547B (zh) | 2022-09-23 |
Family
ID=68075587
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910482436.1A Expired - Fee Related CN110309547B (zh) | 2019-06-04 | 2019-06-04 | 一种基于多环境膜系统的大熊猫种群预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110309547B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111401727A (zh) * | 2020-03-12 | 2020-07-10 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种雪灾对草地畜牧经济传导效应的直观表达方法 |
CN113407533A (zh) * | 2021-05-31 | 2021-09-17 | 江闻文 | 仿真数据的存储方法、装置、电子设备及存储介质 |
CN117010699A (zh) * | 2023-05-25 | 2023-11-07 | 中国林业科学研究院生态保护与修复研究所 | 一种大熊猫繁育全生命周期的数字化管理系统及方法 |
CN117409973A (zh) * | 2023-12-13 | 2024-01-16 | 成都大熊猫繁育研究基地 | 一种基于家族数据的大熊猫健康评估方法和系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103207280A (zh) * | 2013-03-21 | 2013-07-17 | 成都大熊猫繁育研究基地 | 大熊猫预产期的预测方法 |
US20140247146A1 (en) * | 2013-03-04 | 2014-09-04 | Hello Inc. | Mobile device that monitors an individuals activities, behaviors, habits or health parameters |
CN106250985A (zh) * | 2016-08-01 | 2016-12-21 | 西华大学 | 一种求解配电网网架多阶段规划的改进遗传膜方法 |
CN106845097A (zh) * | 2017-01-12 | 2017-06-13 | 上海海洋大学 | 一种多生境条件下鱼类资源的抽样方法 |
CN106842562A (zh) * | 2017-04-06 | 2017-06-13 | 长春理工大学 | 基于双目标遗传算法的宽角度euv多层膜鲁棒性膜系设计 |
US20170255722A1 (en) * | 2015-02-04 | 2017-09-07 | Hunan Agricultural University | Globally universal key factor preset array platform for dynamic forecast analysis of biological populations |
CN107516141A (zh) * | 2017-06-24 | 2017-12-26 | 燕山大学 | 一种基于支持向量机预测策略的动态多目标进化算法 |
-
2019
- 2019-06-04 CN CN201910482436.1A patent/CN110309547B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140247146A1 (en) * | 2013-03-04 | 2014-09-04 | Hello Inc. | Mobile device that monitors an individuals activities, behaviors, habits or health parameters |
CN103207280A (zh) * | 2013-03-21 | 2013-07-17 | 成都大熊猫繁育研究基地 | 大熊猫预产期的预测方法 |
US20170255722A1 (en) * | 2015-02-04 | 2017-09-07 | Hunan Agricultural University | Globally universal key factor preset array platform for dynamic forecast analysis of biological populations |
CN106250985A (zh) * | 2016-08-01 | 2016-12-21 | 西华大学 | 一种求解配电网网架多阶段规划的改进遗传膜方法 |
CN106845097A (zh) * | 2017-01-12 | 2017-06-13 | 上海海洋大学 | 一种多生境条件下鱼类资源的抽样方法 |
CN106842562A (zh) * | 2017-04-06 | 2017-06-13 | 长春理工大学 | 基于双目标遗传算法的宽角度euv多层膜鲁棒性膜系设计 |
CN107516141A (zh) * | 2017-06-24 | 2017-12-26 | 燕山大学 | 一种基于支持向量机预测策略的动态多目标进化算法 |
Non-Patent Citations (6)
Title |
---|
ANTHONY NASH等: "A P system model of swarming and aggregation in a Myxobacterial colony", 《JOURNAL OF MEMBRANE COMPUTING》 * |
ZHANG G等: "Data Modeling with Membrane Systems: Applications to Real Ecosystems", 《SPRINGER INTERNATIONAL PUBLISHING》 * |
田昊 等: "基于种群动态膜系统的大熊猫种群模型", 《计算机应用》 * |
田昊: "基于种群动态膜系统的大熊猫生态系统建模", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
赵国基: "鼓山次生常绿阔叶林种群动态研究", 《亚热带水土保持》 * |
黄志伟 等: "概率膜系统在大熊猫种群数据建模中的应用", 《计算机系统应用》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111401727A (zh) * | 2020-03-12 | 2020-07-10 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种雪灾对草地畜牧经济传导效应的直观表达方法 |
CN113407533A (zh) * | 2021-05-31 | 2021-09-17 | 江闻文 | 仿真数据的存储方法、装置、电子设备及存储介质 |
CN117010699A (zh) * | 2023-05-25 | 2023-11-07 | 中国林业科学研究院生态保护与修复研究所 | 一种大熊猫繁育全生命周期的数字化管理系统及方法 |
CN117010699B (zh) * | 2023-05-25 | 2024-03-05 | 中国林业科学研究院生态保护与修复研究所 | 一种大熊猫繁育全生命周期的数字化管理系统及方法 |
CN117409973A (zh) * | 2023-12-13 | 2024-01-16 | 成都大熊猫繁育研究基地 | 一种基于家族数据的大熊猫健康评估方法和系统 |
CN117409973B (zh) * | 2023-12-13 | 2024-05-17 | 成都大熊猫繁育研究基地 | 一种基于家族数据的大熊猫健康评估方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110309547B (zh) | 2022-09-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110309547B (zh) | 一种基于多环境膜系统的大熊猫种群预测方法 | |
Chien et al. | A framework for root cause detection of sub-batch processing system for semiconductor manufacturing big data analytics | |
JP7466058B2 (ja) | グラフニューラルネットワークに基づく臨床オミックスデータ処理方法、装置、電子機器、及びコンピュータプログラム | |
Shukla | Neuro-genetic prediction of software development effort | |
van Opheusden et al. | Unbiased and efficient log-likelihood estimation with inverse binomial sampling | |
CN113053535B (zh) | 一种医疗信息预测系统及医疗信息预测方法 | |
JP4726236B2 (ja) | 人工知能を備える装置 | |
Liu et al. | Feedback message passing for inference in Gaussian graphical models | |
Fan et al. | Probabilistic inference-based least squares support vector machine for modeling under noisy environment | |
Dey et al. | Bayesian model selection for spatial capture–recapture models | |
Bidgoli et al. | Seminal quality prediction using optimized artificial neural network with genetic algorithm | |
Alden et al. | Using emulation to engineer and understand simulations of biological systems | |
Pan et al. | Identification of nonlinear state-space systems from heterogeneous datasets | |
CN112992267A (zh) | 一种单细胞的转录因子调控网络预测方法及装置 | |
CN113177626A (zh) | 数据驱动的复杂系统机理自动学习方法、系统及设备 | |
CN110399279B (zh) | 一种用于非人智能体的智能度量方法 | |
Xu et al. | Statistical inference for partially observed branching processes with application to cell lineage tracking of in vivo hematopoiesis | |
Betechuoh et al. | Using inverse neural networks for HIV adaptive control | |
Olave et al. | Detecting hybridization by likelihood calculation of gene tree extra lineages given explicit models | |
CN113151842B (zh) | 风光互补电解水制氢的转化效率的确定方法和确定装置 | |
Leke et al. | Proposition of a theoretical model for missing data imputation using deep learning and evolutionary algorithms | |
Voznica et al. | Deep learning from phylogenies to uncover the transmission dynamics of epidemics | |
CN109615072A (zh) | 一种对抗神经网络的集成方法及计算机设备 | |
CN114445692B (zh) | 图像识别模型构建方法、装置、计算机设备及存储介质 | |
Devarapalli et al. | Identification of AIDS disease severity based on computational intelligence techniques using clonal selection algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220923 |
|
CF01 | Termination of patent right due to non-payment of annual fee |