CN106953886A - 一种基于以太网的列车通信网络周期信息调度方法 - Google Patents

Abstract

本发明公开了一种基于以太网的列车通信网络周期信息调度方法，以宏周期内周期信息报文长度的标准差最小，周期信息的抖动之和最小，周期信息报文长度的平均值最大为目标建立了列车周期调度表的优化设计模型。针对PSO算法容易早熟收敛的缺点，通过融合FPSO算法和IPSO算法的优点，提出了FIPSO算法。该算法将模糊控制器FLC和免疫操作引入PSO算法中，通过动态调整惯性权值以及动态决定免疫操作是否执行，使算法从更大的搜索空间寻求全局最优值，并在进化阶段实现多次快速收敛。尤其在特征周期可调节的前提下，通过运用FIPSO算法，达到了控制系统调度与控制协同设计的目的。

Description

一种基于以太网的列车通信网络周期信息调度方法

技术领域

本发明属于列车车载网络系统控制技术领域，尤其涉及一种基于以太网的列车通信网络周期信息调度方法。

背景技术

国际电工委员会于2012年公布了IEC61375-2-5标准和IEC61375-3-4标准。IEC61375-3-4标准规定基于以太网的列车通信网络包括五种主要的数据类型：监视数据、过程数据、消息数据、流数据、最大努力交付数据，考虑用工业以太网同时传输列车控制信息和乘客多媒体信息的需求。本发明从实时性分析的需求出发，将上述5种数据进行归类，总结为3种:

(1)实时周期数据(Real-time Cycle Data)，包括监视数据和过程数据。监视数据主要指用于列车拓扑管理等的信息，过程数据指由控制单元发出的控制命令和列车变送器向上反馈的状态监视信息。这类信息的实时性要求高，具有周期性。

(2)实时非周期数据(Real-time Aperiodic Data)，包括消息数据和流数据。主要指列车设备故障的报警信息等。这类信息的实时性要求也高，具有突发性。

(3)非实时数据(Non-real-time Data)，包括最大努力交付数据。主要指旅客信息系统的多媒体信息。这类信息一般没有实时性要求。

实时周期信息的传输是一个具有确定响应时间的实时通信过程，控制网络通信调度是一种实时系统的调度，参考多功能车辆总线(MVB)的调度机制：每个基本周期分为周期相和偶发相两个时间段。实时调度算法是实时系统解决并发和保证确定性和实时性的基本手段，。采用何种调度算法建立相应的周期调度表将直接影响着列车周期信息通信的实时性，进而影响着列车控制系统的服务质量和控制品质。

粒子群优化算法是Kennedy和Eberhart于1995年提出的一种新的进化计算方法，它源于鸟群和鱼群群体觅食运动行为研究结果的启发。粒子群优化算法是通过个体间的协作来寻找最优解的，每个个体(粒子)都被赋予一个随机速度并在整个问题空间中流动，个体(粒子)具有记忆功能，个体(粒子)进化不是通过遗传算子而是通过个体(粒子)之间的合作与竞争来实现的。

生物免疫系统具有产生抗体多样性的能力、自我调节机制、免疫记忆功能等多种特性，这些特性正逐渐引起工程研究人员的关注。

模糊逻辑控制(Fuzzy Logic Control)是以模糊集合论、模糊语言变量和模糊逻辑推理为基础的一种计算机数字控制技术，简称模糊控制(Fuzzy Control)。，美国的L.A.Zadeh于1965年创立了模糊集合论；并且在1973年给出了模糊逻辑控制的定义和相关的定理。英国的E.H.Mamdani于1974年首次根据模糊控制语句组成模糊控制器，标志着模糊控制论的诞生。近来，模糊控制在技术和应用上都取得了长足的进步。

目前，对于周期信息的调度问题，大部分都基于变化的初相(周期信息首次出现的时刻)和固定的特征周期，单纯从组合优化的角度来设计周期调度表。除了初相以外，如果将特征周期作为自变量，综合考虑控制与网络调度两方面的指标，可以达到调度与控制协同设计的目的。另外，采用基本的人工智能算法解决周期信息的调度问题，普遍存在收敛过快、容易陷入局部最优的缺点。为此，基本智能算法与其他算法的融合成为算法改进的主要途径和研究热点。例如借鉴遗传算法中变异的思想，Thangaraj R等提出了带有变异操作的粒子群算法以降低算法出现早熟现象的危险；LUO Youxin等提出了免疫粒子群算法，在粒子向全局最优解收敛的过程中，加入浓度选择的机制，淘汰浓度较大的粒子群，使低适应度个体也得到进化的机会，提高了粒子向全局最优解收敛的趋势；Shi和Eberhart等将模糊系统引入粒子群算法中来控制惯性权重，从而使算法的收敛性能得到改善。

发明内容

为克服上述现有算法的不足，本发明基于种群多样性的分析，并结合群体适应度值的变化和算法进化的阶段，提供一种基于以太网的列车通信网络周期信息调度方法。

实现本发明的技术方案是：以宏周期内周期信息报文长度的标准差最小，周期信息的抖动之和最小，周期信息报文长度的平均值最大为目标建立了周期调度表的优化设计模型。针对PSO算法容易早熟收敛的缺点，通过融合FPSO算法和IPSO算法的优点，提出了FIPSO算法。该算法将模糊控制器FLC和免疫操作引入PSO算法中，通过动态调整惯性权值以及动态决定免疫操作是否执行，使算法从更大的搜索空间寻求全局最优值，并在进化阶段实现多次快速收敛。具体步骤包括：

(一)以达到协同设计周期调度表为目的，设计以下3个目标函数：

1)宏周期内所有周期信息报文长度的标准差：

其中，N(＝T_Mp/T_bp)为宏周期中包含基本周期的个数；宏周期表示为T_Mp＝maxT_i,i∈{1,...,M}，ms；L_i(j)表示第j个基本周期中第i个周期信息报文的长度，r_j表示第j个基本周期中周期信息报文的总数。

2)宏周期内所有周期信息的抖动之和：

其中，网络节点发送数据的时刻与预计发送的时刻不同步定义为数据传输的抖动。

3)宏周期内所有周期信息报文长度的平均值：

(二)建立约束条件

周期调度表的设计受到T_i和两个自变量的影响，并受到调度与控制两方面的约束，具体的约束条件如下所示：

1)周期信息i首次出现的时刻不超过它对应的特征周期：

2)为了保证所有的MVB周期信息得到调度，需满足在宏周期T_Mp内，MVB周期信息报文长度之和不超过周期相：

3)为了保证控制系统的稳定性并且满足一定的控制性能要求，特征周期约束条件为：

其中，T_imax为保证系统稳定性的特征周期上限。

4)因为周期信息的T_i越小，代表它的优先级越高。为了不改变周期信息原始的优先级顺序，需要满足以下约束条件：

(三)设计模糊免疫粒子群优化算法寻求最优解

在粒子群算法中，每个粒子都是空间的一点，对应一组速度向量和位置向量。结合列车周期信息调度问题，第j个粒子对应特征周期的速度向量为位置向量为对应初相的速度向量为位置向量为其中j＝1,2,…,N_p,N_p是粒子的数目，Dim是粒子的维数。无论特征周期还是初相，粒子根据以下公式更新自己的速度和位置：

v_i,j(t+1)＝ωv_i,j(t)+c₁r₁(P_i,j(t)-x_i,j(t))+c₂r₂(G_i(t)-x_i,j(t))

x_i,j(t+1)＝x_i,j(t)+v_i,j(t+1)

其中，ω为惯性权值，c₁和c₂为加速因子，r₁和r₂为[0,1]上均匀分布的随机数。v_i,j(t)和x_i,j(t)分别为第t次迭代中第j个粒子的第i维速度和位置；P_i,j(t)和G_i(t)分别为第t次迭代粒子j第i维位置变量的个体极值和全局极值。

在收敛的过程中，种群多样性的下降是导致粒子群优化算法陷入早熟收敛的主要原因。本发明文定义的种群多样性:

其中，为所有粒子第i维位置变量的平均值，R_i,j为第j个粒子第i维搜索空间最长的半径长度。

为了消除算法早熟收敛，本文首先将免疫算法的思想引入到粒子群优化算法中。设算法的免疫执行因子为ρ，当ρ≤0时不执行免疫操作；而当ρ＞0时，执行如下免疫操作：在N_p个粒子之外，再随机生成M_p个粒子，根据浓度选择概率公式，从N_p+M_p个粒子中选择概率较大的N_p个粒子进入下一次迭代。为此，定义第j个粒子的浓度选择概率：

其中，F_i和F_j分别为第i个和第j个粒子的适应度值。由上式知，与粒子j的相似性越小，粒子被选择的概率就越大。

设计动态调整ω和ρ的模糊控制器FLC，选择群体进化的时期、平均适应度值的变化以及种群多样性作为FLC的输入，ω和ρ的变化量作为FLC的输出，根据以下公式实现对ω和ρ的动态调整：

ω(t+1)＝ω(t)+dω

ρ(t+1)＝ρ(t)+dρ

群体进化的不同时期表示为T_PSO，它定义为(0,1]中的规范形式：

T_PSO(t)＝t/t_max

式中，t和t_max分别为当前迭代数和最大迭代数。

平均适应度值的变化定义为[-1,1]之间的规范形式：

式中，为粒子的第t次迭代的平均适应度，和为迭代过程中平均适应度的最大值和最小值。

本发明的算法将模糊控制器FLC和免疫操作引入PSO算法中，通过动态调整惯性权值以及动态决定免疫操作是否执行，使算法从更大的搜索空间寻求全局最优值，并在进化阶段实现多次快速收敛。尤其在特征周期可调节的前提下，通过运用FIPSO算法，达到了控制系统调度与控制协同设计的目的。

附图说明

为了使本发明的内容更容易被清楚地理解，下面根据具体实施例并结合附图，对本发明作进一步详细的说明：

图1是本发明设计的模糊免疫粒子群算法中各模糊变量的隶属度函数图；

图2是采用模糊免疫粒子群优化算法解决列车周期信息调度问题的流程图；

具体实施方式

本发明以宏周期内周期信息报文长度的标准差最小，周期信息的抖动之和最小，周期信息报文长度的平均值最大为目标建立了周期调度表的优化设计模型。针对PSO算法容易早熟收敛的缺点，通过融合FPSO算法和IPSO算法的优点，提出了FIPSO算法。该算法将模糊控制器FLC和免疫操作引入PSO算法中，通过动态调整惯性权值以及动态决定免疫操作是否执行，使算法从更大的搜索空间寻求全局最优值，并在进化阶段实现多次快速收敛。具体步骤包括：

设周期变量的个数为M，它们构成的周期调度表集合D，对于任意一张调度表，每个周期变量定义为：

式中，L_i为周期信息i的报文长度，μs；L_i根据用户数据的大小而得。T_i为列车周期信息i的特征周期，在控制系统中也称为采样周期，ms；n_i∈{0,1,...,10}；设定T_bp＝1ms；为初相，即周期信息i首次出现的时刻，ms。

为了达到协同设计周期调度表的目的，考虑以下3个目标函数：

1)为了让基本周期留有更大的时间裕度以防止数据溢出，保证控制系统的实时性和可靠性，应该使周期数据报文在基本周期中均匀分布。因而定义宏周期内所有周期信息报文长度的标准差作为第一个优化目标：

其中，N(＝T_Mp/T_bp)为宏周期中包含基本周期的个数；宏周期表示为T_Mp＝maxT_i,i∈{1,...,M}，ms；L_i(j)表示第j个基本周期中第i个周期信息报文的长度，μs；r_j表示第j个基本周期中周期信息报文的总数，但是不同基本周期内有效周期信息的总数不一定相同。

2)传统以太网采用CSMA/CD机制，这是一种不确定性通讯方式，节点通过竞争总线实现数据发送，导致网络传输时延和通信响应的不确定性。具体表现为各个网络节点向网络发送数据的时刻与预计发送的时刻不同步。这种调度不同步定义为数据传输的抖动，表示为：

其中，ts_i,k表示总线管理器的第i个信息在第k个周期中实际发送的时刻，ms；为该信息预计发送的时刻，ms。减小抖动，可以提高每个数据传输时刻的精准性，从而提高主从通信的实时性。因而定义宏周期内所有周期信息的抖动之和作为第二个优化目标：

3)周期调度表会预先设定周期相的时间，剩余的留给偶发相使用。在所有周期报文长度之和不超过周期相的前提下，通过减小特征周期来提高传感器的采样频率，并以提高宏周期内所有周期信息报文长度的平均值为目标，可以提高控制系统的稳定性。因此定义宏周期内所有周期信息报文长度的平均值作为第三个优化目标：

对于以上所述的多目标优化问题，采用min-max标准化方法将其归一化为单目标优化问题：

其中，σ_min和σ_max，J_min和J_max，和分别为算法在周期调度表集合D中找到的σ，J，的最小值和最大值；α₁、α₂、α₃为权重系数，由工程中对目标函数的优先级要求决定，但满足以下关系式：

α₁+α₂+α₃＝1α₁≥0,α₂≥0,α₃≥0

需要指出，特征周期T_i和初相的取值会影响和j_i,k结果，因此，归一化后的目标函数F是关于特征周期T_i和初相的函数。具体的约束条件如下所示：

1)周期信息i首次出现的时刻不超过它对应的特征周期：

2)为了保证所有的MVB周期信息得到调度，需满足在宏周期T_Mp内，MVB周期信息报文长度之和不超过周期相：

将带入上式得:

其中，n_i∈{0,1,...,10}，ω_p为周期相预定比例，可以根据实际情况调整周期相的大小。

3)为了保证控制系统的稳定性并且满足一定的控制性能要求，特征周期约束条件为：

其中，T_imax为保证系统稳定性的特征周期上限。

4)因为周期信息的T_i越小，代表它的优先级越高。为了不改变周期信息原始的优先级顺序，需要满足以下约束条件：

由于列车网络终端数量庞大为了在如此庞大的搜索空间中寻求最优解，本文设计了模糊免疫粒子群优化算法加以解决。

在粒子群算法中，每个粒子都是空间的一点，对应一组速度向量和位置向量。结合列车周期信息调度问题，第j个粒子对应特征周期的速度向量为位置向量为对应初相的速度向量为位置向量为其中j＝1,2,…,N_p,N_p是粒子的数目，Dim是粒子的维数。无论特征周期还是初相，粒子根据以下公式更新自己的速度和位置：

v_i,j(t+1)＝ωv_i,j(t)+c₁r₁(P_i,j(t)-x_i,j(t))+c₂r₂(G_i(t)-x_i,j(t))

x_i,j(t+1)＝x_i,j(t)+v_i,j(t+1)

其中，ω为惯性权值，c₁和c₂为加速因子，r₁和r₂为[0,1]上均匀分布的随机数。v_i,j(t)和x_i,j(t)分别为第t次迭代中第j个粒子的第i维速度和位置；P_i,j(t)和G_i(t)分别为第t次迭代粒子j第i维位置变量的个体极值和全局极值。式中的速度和位置的取值范围如下：

在收敛的过程中，种群多样性的下降是导致粒子群优化算法陷入早熟收敛的主要原因。本发明文定义的种群多样性:

其中，为所有粒子第i维位置变量的平均值，R_i,j为第j个粒子第i维搜索空间最长的半径长度。上式定义的种群多样性，与种群规模、粒子的维数以及解空间的大小无关，只与粒子之间的疏密程度有关，易证div(t)∈[0,1]。

为了消除算法早熟收敛，本文首先将免疫算法的思想引入到粒子群优化算法中。设算法的免疫执行因子为ρ，当ρ≤0时不执行免疫操作；而当ρ＞0时，执行如下免疫操作：在N_p个粒子之外，再随机生成M_p个粒子，根据浓度选择概率公式，从N_p+M_p个粒子中选择概率较大的N_p个粒子进入下一次迭代。为此，定义第j个粒子的浓度选择概率：

其中，F_i和F_j分别为第i个和第j个粒子的适应度值。由上式知，与粒子j的相似性越小，粒子被选择的概率就越大。经过执行免疫操作，可以提高种群的多样性，实现对粒子维变量的二次优化，进而避免算法陷入早熟收敛。

另外，粒子速度公式中的ω是控制粒子搜索范围的指导因子，ω越大，粒子的全局寻优能力越强；ω越小，粒子的局部寻优能力越强。由于粒子群优化算法搜索的过程是一个非线性的复杂过程，而单纯使ω随着迭代进度线性递减，并不能真实反映算法搜索过程中多样性的需求。为了根据粒子的收敛情况动态改变ω的大小以及决定免疫操作是否执行，设计了动态调整ω和ρ的模糊控制器FLC，选择群体进化的时期、平均适应度值的变化以及种群多样性作为FLC的输入，ω和ρ的变化量作为FLC的输出，根据以下公式实现对ω和ρ的动态调整：

ω(t+1)＝ω(t)+dω

ρ(t+1)＝ρ(t)+dρ

群体进化的不同时期表示为T_PSO，它定义为(0,1]中的规范形式：

T_PSO(t)＝t/t_max

式中，t和t_max分别为当前迭代数和最大迭代数。

平均适应度值的变化定义为[-1,1]之间的规范形式：

式中，为粒子的第t次迭代的平均适应度，和为迭代过程中平均适应度的最大值和最小值。作为FLC的输出，dω∈[-0.12,0.05]，dρ∈[-0.1,0.1]。

变量的语言变量集设置如下：

{S＝小，M＝中，B＝大，NEB＝负极大，NB＝负大，NS＝负小，ZE＝零，PS＝正小，PB＝正大，EB＝极大}；根据所有模糊变量的取值范围及语言变量集合，各变量的隶属度函数定义如图1所示。

模糊推理规则如下所示，解析化采用重心法。

表1t取小(S)时dρ(dω)的模糊推理规则

df(t)/div(t)	EB	B	M	S	ZE
						——	ZE(ZE)	PS(ZE)	PB(PS)	PB(PS)	PB(PS)

表2t取中(M)时dρ(dω)的模糊推理规则

df(t)/div(t)	EB	B	M	S	ZE
						NB	NS(ZE)	ZE(ZE)	ZE(ZE)	ZE(ZE)	ZE(ZE)
NS	NS(ZE)	NS(ZE)	ZE(ZE)	ZE(ZE)	ZE(ZE)
						ZE	NS(NS)	NS(NS)	NS(ZE)	NS(ZE)	ZE(ZE)
PS	NB(NB)	NS(NS)	NS(NS)	NS(ZE)	ZE(ZE)
						PB	NB(NEB)	NB(NB)	NB(NB)	NB(NS)	ZE(ZE)

表3t取大(B)时dρ(dω)的模糊推理规则

df(t)/div(t)	M	S	ZE
				NB	NB(NB)	NS(NS)	ZE(NS)
NS	NB(NEB)	NS(NB)	NS(NB)
				ZE	NB(NEB)	NB(NEB)	NS(NB)
PS	NB(NEB)	NB(NEB)	NB(NB)
				PB	NB(NEB)	NB(NEB)	NB(NEB)

采用模糊免疫粒子群优化算法解决列车周期信息调度问题的流程图如图2所示，算法的终止条件可以是进化达到最大的迭代代数，或者所有粒子适应度的平均值与全局最优值之差满足最小的误差精度。

Step 1:设置算法相关的参数：N_p,Dim,ωandρ等。根据约定的特征周期和初相的约束条件，初始化N_p个粒子的速度向量和位置向量；

Step 2:计算每个粒子的适应度值，并且更新每个粒子的个体最优值P_i,j(t)和群体最优值G_i(t)；

Step 3:更新所有粒子的速度向量和位置向量；

Step 4:计算当前迭代的div,T_pso以及df；

Step 5:由之前设计的FLC，求得dω和dρ，更新ω和ρ；

Step 6:如果ρ≤0，跳到Step 9。否则，随机产生M_p组粒子，计算每个粒子的适应度值，并更新个体最优和群体最优；

Step 7:计算所有粒子的浓度选择概率，并从(N_p+M_p)组粒子中选择免疫选择浓度较大的N_p组粒子；

Step 8:用全局最优粒子替代适应度值最差的粒子；

Step 9:如果算法终止条件满足，停止计算并输出最优的特征周期向量和初相向量。否则，重复以上Step 2-8直到终止条件被满足。

上述仅为本发明的具体实施例，并不用于限制本发明，本发明还可以有其他实施方式，凡采用任何修改、等同替换或等效变换形成的技术方案，均落在本发明要求的保护范围内。

Claims (2)

1.一种基于以太网的列车通信网络周期信息调度方法，其特征在于：以宏周期内周期信息报文长度的标准差最小，周期信息的抖动之和最小，周期信息报文长度的平均值最大为目标建立了周期调度表的优化设计模型。具体步骤包括：

1)以达到协同设计周期调度表为目的，设计以下3个目标函数：

(1)宏周期内所有周期信息报文长度的标准差：

$\min \mathrm{\σ}=\sqrt{\frac{1}{N}\underset{j=1}{\overset{N}{\Σ}}{\left(\frac{1}{N}\underset{j=1}{\overset{N}{\Σ}}\underset{i=1}{\overset{r_j}{\Σ}}{L}_i\right(j)-\underset{i=1}{\overset{r_j}{\Σ}}{L}_i(j\left)\right)}^2}$

其中，N(＝T_Mp/T_bp)为宏周期中包含基本周期的个数；宏周期表示为T_Mp＝maxT_i,i∈{1,...,M}，ms；L_i(j)表示第j个基本周期中第i个周期信息报文的长度，μs；r_j表示第j个基本周期中周期信息报文的总数。

(2)宏周期内所有周期信息的抖动之和：

$\min J=\underset{i=1}{\overset{M}{\Σ}}\underset{k=1}{\overset{T_{Mp}/T_i}{\Σ}}{j}_{i,k}$

其中，网络节点发送数据的时刻与预计发送的时刻不同步定义为数据传输的抖动。

(3)宏周期内所有周期信息报文长度的平均值：

$max\stackrel{\‾}{L}=\frac{1}{N}\underset{j=1}{\overset{N}{\Σ}}\underset{i=1}{\overset{r_j}{\Σ}}{L}_i\left(j\right)$

2)建立约束条件

周期调度表的设计受到T_i和两个自变量的影响，并受到调度与控制两方面的约束，具体的约束条件如下所示：

(1)周期信息i首次出现的时刻不超过它对应的特征周期：

(2)为了保证所有的MVB周期信息得到调度，需满足在宏周期T_Mp内，MVB周期信息报文长度之和不超过周期相：

$\underset{i=1}{\overset{M}{\Σ}}\frac{T_{Mp}}{T_i}{L}_i\≤T_{Mp}{\mathrm{\ω}}_p=\frac{T_{Mp}}{T_{bp}}{\mathrm{\ω}}_p{T}_{bp},\∀i\∈\{1,...,M\}$

(3)为了保证控制系统的稳定性并且满足一定的控制性能要求，特征周期约束条件为：

$T_i\≤T_{imax},\∀i\∈\{1,...,M\}$

其中，T_imax为保证系统稳定性的特征周期上限。

(4)因为周期信息的T_i越小，代表它的优先级越高。为了不改变周期信息原始的优先级顺序，需要满足以下约束条件：

$T_i\≤T_{i+1},\∀i\∈\{1,...,M\}$

3)利用模糊免疫粒子群优化算法在搜索空间中寻求最优解。

2.如权利要求1所述的一种基于以太网的列车通信网络周期信息调度方法，其特征在于，所述利用模糊免疫粒子群优化算法，通过动态调整惯性权值以及动态决定免疫操作是否执行，使算法从更大的搜索空间寻求全局最优值，具体方法如下：

1):设置算法相关的参数：粒子数目N_p,粒子的维数Dim,惯性权值ω和免疫执行因子ρ等。根据权利要求1中建立的特征周期和初相的约束条件，初始化N_p个粒子的速度向量和位置向量。其中，第j个粒子对应特征周期的速度向量为位置向量为对应初相的速度向量为位置向量为

2)计算每个粒子的适应度值，并且更新每个粒子的个体最优值P_i,j(t)和群体最优值G_i(t)；P_i,j(t)和G_i(t)分别为第t次迭代粒子j第i维位置变量的个体极值和全局极值；

3)根据公式v_i,j(t+1)＝ωv_i,j(t)+c₁r₁(P_i,j(t)-x_i,j(t))+c₂r₂(G_i(t)-x_i,j(t))，

x_i,j(t+1)＝x_i,j(t)+v_i,j(t+1)更新所有粒子的速度向量和位置向量；

4)根据种群的多样性公式：群体进化的不同时期T_PSO(t)＝t/t_max，平均适应度值的变化等，计算当前迭代的div,T_pso以及df；

5)设计动态调整ω和ρ的模糊控制器FLC，选择群体进化的时期、平均适应度值的变化以及种群多样性作为FLC的输入，ω和ρ的变化量作为FLC的输出，根据公式：ω(t+1)＝ω(t)+dω，ρ(t+1)＝ρ(t)+dρ实现对ω和ρ的动态调整，以及决定免疫操作是否执行；

6)如果ρ≤0，跳到Step 9。否则，随机产生M_p组粒子，计算每个粒子的适应度值，并更新个体最优和群体最优；

7)根据公式计算所有粒子的浓度选择概率，并从(N_p+M_p)组粒子中选择免疫选择浓度较大的N_p组粒子；

8)用全局最优粒子替代适应度值最差的粒子；

9)如果算法终止条件满足，停止计算并输出最优的特征周期向量和初相向量。否则，重复以上Step 2-8直到终止条件被满足。