[发明专利]基于改进蜂群算法的神经系统最少能量控制技术

摘要

本发明公开了一种基于改进蜂群算法的神经系统最少能量控制技术，以Izhikevich神经元系统的动作电位阈值为被控对象，寻找最少能量控制率，充分利用人工蜂群算法自适应优化能力，以控制序列的能量为优化算法评价函数，利用个体极值和种群的全局极值来改进人工蜂群算法中的搜索模式，利用最小化评价函数来确定神经元系统的最优控制序列，从而实现在最少能量控制率下达到动作电位阈值的控制目的。

主权项

基于改进蜂群算法的神经系统最少能量控制技术，其特征是所述技术包括如下步骤：步骤1：初始化神经元模型。给定系统变量初始值V0、U0，根据控制输入范围[Imin，Imax]随机产生tf个离散时间控制序列I(t)(t＝1，2，…，tf)，再利用欧拉方法对神经元系统进行离散化，取离散化步长为Δt。步骤2：初始化种群。设定蜂群规模N，采蜜蜂种群规模为Ne，跟随蜂种群规模为Nf，个体向量的维度为D＝tf，Xi＝(Ii(1)，…，Ii(tf))表示搜索个体向量(这里，i＝1，2…，N)，为了叙述方便，记Xi＝(xi1，…，xiD)。蜂群进化代数为M，初始迭代为k＝1，根据神经元电位离散序列计算达到动作电位阈值的控制序列能量，即种群的适应度值E=1T∫0TI2(t)dt]]>其中，T表示神经元神经元膜电压V达到动作电位阈值的控制时间。步骤3：按照种群适应度大小，将蜜蜂分为采蜜蜂和跟随蜂。步骤4：更新采蜜蜂蜜源。对于每只采蜜蜂，在原蜜源附近采蜜，按下式vij＝xij+r(xij‑xhj)产生新的蜜源，式中i，h＝1，2…，N，h≠i，j＝1，2…，D，r是[‑1，1]之间的随机数，将获得的新蜜源(即控制序列)作用于神经元系统，获得达到动作电位阈值的控制序列，并计算适应度值，若其适应度值更高，则取代原蜜源；否则放弃此蜜源。步骤5：更新跟随蜂的状态。对于每只跟随蜂，按照与采蜜蜂种群适应度值成比例的的概率选择一个采蜜蜂，并在其邻域内根据下式vij＝λxij+c1r1(pij‑xij)+c2r2(gj‑xij)产生新的蜜源，式中λ是遗忘因子，表示搜索下一个蜜源时对当前蜜源的记忆强度，pij表示每只蜜蜂自身的历史最好位置，即个体极值，gj表示所有蜜蜂的历史最好位置，即全局最优解，r1和r2是[‑1，1]之间的随机数，c1，c2表示学习因子，c1＝1/(1+k0.25)，c2＝k/M，用于调整蜜蜂自身经验和社会群体经验在整个寻优过程中所起的作用的参数。若新产生的蜜源适应度值更高，则跟随蜂变成采蜜蜂，并取代原蜜源位置。步骤6：记录种群最终更新后的个体极值、全局最优解以及最优适应度值。步骤7：记录每只采蜜蜂觅食同一蜜源的次数，当觅食同一蜜源的次数超过临界阈值时，该采蜜蜂退化为跟随蜂，并重新随机初始化其位置。步骤8：如果满足终止条件，则停止计算并输出最优适应度值及相应的参数Xbest(即最优控制序列)；否则，k：＝k+1，转步骤4。