CN109870909A - 一种基于rbf神经网络和自适应搜索的人工免疫算法 - Google Patents

Abstract

一种基于RBF神经网络和自适应搜索的人工免疫算法，包括：S1抗原识别；构建RBF神经网络；S2构建抗体‑抗原非线性映射曲面；S3随机产生一定数量初始抗体群；S4计算抗体‑抗原结构体，优选N个抗体作为待评价抗体；S5进行抗体评价；S6将抗体群进行排序，提取前n_A个作为记忆细胞构成种群A，后n_B个作为待接种种群B；S7终止条件判断，满足则输出结果；反之执行S8；S8对S6中除种群A外的抗体群进行选择、交叉和变异操作形成种群C，对待接种种群B进行疫苗接种后，与种群A、C构成抗体种群D，转到S4。本发明目的在于提供一种局部搜索能力强、收敛速度快、算法效率和精度高的基于RBF神经网络和自适应搜索的人工免疫算法。

Description

一种基于RBF神经网络和自适应搜索的人工免疫算法

技术领域

本发明涉及一种基于RBF神经网络和自适应搜索的人工免疫算法。

背景技术

随着保障任务的多样化和能量高效化利用的要求越来越高，有效提高能量利用效率，降低系统能耗对提高抢救车在野外环境下持续高效工作具有重大意义。近年来，液压混合动力技术和能量回收再利用技术等液压节能技术在降低能耗和提高效率等方面发挥了积极作用，因为其不仅有效的降低了系统的节流损失，还对系统的制动能和重力势能等潜在可回收能量进行回收再利用。但由于这些新系统仍是一个复杂多变的时变非线性系统，且对能量的回收再利用过程对系统的功率流也有较大的影响，因此不同的关键元部件参数对液压节能系统的最优工作状态和节能效果都有较大影响。深入地分析影响系统节能控制的关键因素，优化关键元件匹配关系，对提高系统的整体节能效果和控制性能具有重要作用。

对于抢救车液压节能系统而言，液压节能系统的参数优化主要是使系统在满足功能要求的前提下，提高系统效率，降低系统能耗。静态参数匹配是优化系统关键元部件参数的一种常用方法，即按照执行元件所需的最大值要求来匹配参数，而由于系统不同执行元件的负载变化复杂，采用这种静态匹配的方式容易出现能量的“过欲”匹配，造成系统能量的较大浪费。而根据系统执行元件动态工况情况来进行动态参数匹配的方法主要以遗传算法和粒子群算法为典型代表的进化理论为主，其在网络安全、汽车领域和其他工程领域等领域都有广泛应用，但这些传统的进化算法在后期容易出现多样性变差，进化速度显著降低的现象，进而导致算法停滞不前，容易陷入局部最优解等问题。随着免疫机制的引进，对搜索进化算法的改进优化，不仅改进了传统进化算法的缺点，也表现出良好的智能型和鲁棒性，这其中的代表型算法即为人工免疫算法。虽然免疫算法有优良的全局搜索能力，但其在收敛速度较种群进化算法有显著差距，且局部搜索能力相对较弱。应用人工免疫算法对全局寻优问题进行求解时，也会因为解的表达形式对算法的运行速度产生较大的影响，如表达形式是函数关系或者简单的仿真模型，则可直接应用于人工免疫算法中，因为抗体通过这种表达形式可快速的构建抗体-抗体解的结构体，若解的表达形式是一种复杂的仿真模型，要得到一组抗体的抗体-抗体解结构体就需要大量的时间，这将极大减缓算法的运行收敛速度。

发明内容

本发明为了解决现有算法在优化抢救车液压节能系统关键元部件参数中的不足之处，提供一种局部搜索能力强、收敛速度快、算法效率和精度高的基于RBF(RadicalBasis Function：径向基函数)神经网络和自适应搜索的人工免疫算法。本发明算法也可扩展用于其它类型系统设计时的元件参数优化。

本发明一种基于RBF神经网络和自适应搜索的人工免疫算法，包括以下步骤：

S1)分析问题，即抗原识别，对问题特征进行分析，明确约束关系；

系统建模，构建RBF神经网络；

S2)利用样本数据对RBF神经网络进行训练，构建抗体-抗原非线性RBF神经网络映射曲面；

S3)随机产生一定数量的初始抗体群；

S4)利用步骤S2构建的抗体-抗原非线性RBF神经网络映射曲面计算出抗体-抗原结构体，从中优选出N个抗体作为待评价抗体；所述优选方法为根据抗原的优劣排序，选出前N个；

S5)对步骤S4优选出的N个抗体进行评价，计算每个抗体与抗原的亲和度，计算抗体浓度，计算每个抗体的期望繁殖率；

S6)形成父代群：将抗体群按期望繁殖率进行降序排列，并提取前n_A个作为记忆细胞构成种群A，将后n_B个作为待接种种群B，其中n_A＝P_cmaxN，n_B＝n_A，P_cmax是抗体与抗原之间亲和度最大值；

S7)终止条件判断，若满足终止条件，则结束并输出结果，即最优解；反之，则执行步骤S8；

S8)免疫操作和疫苗接种：对步骤S6中除去种群A外的抗体群进行选择、交叉和变异操作，形成种群C，种群C中抗体数量为n_c,n_c＝N-n_A；对待接种种群B进行疫苗接种后，与种群A、种群C一起组成新的抗体种群D，再转到步骤S4；

所述疫苗接种是采用一种自适应搜索算法实现的，以种群A中的记忆细胞为中心，在记忆细胞周围指定范围内随机搜索该指定范围内的最优抗体，并以该最优抗体替代待接种种群B中的抗体。

根据本发明的一种实施方式，所述自适应搜索算法为：

Vaccine(x_i)＝mcell+range(t)，i＝1，2，…，n_B；

range(t)＝rand·R(t)；

式中：Vaccine(x_i)表示对x_i接种疫苗；x_i表示待接种种群B中的抗体，mcell表示种群A中的记忆细胞，range(t)是第t代搜索范围；R(t)是第t代搜索半径，初代搜索半径为种群A中的记忆细胞到约束边际的最大间隔，之后的搜索半径在上一代的基础上进行动态调整，调整方法如下式所示：

其中α_m和α_n分别为缩减半径和倍增半径；t_max为最大迭代代数，其中α_m和α_n的控制规则为：

其中C_v表示抗体浓度。

根据本发明的一种实施方式，当抗体某个维度的取值区间为离散数据，且离散数据的个数不大于8，则由步骤S2构建的抗体-抗原非线性RBF神经网络映射曲面推演出该维度取值区间中每个离散数据对应的RBF神经网络曲面，然后分别执行后续步骤S3——S8，最后从每个离散数据对应的最优解中再选择最优的作为全局最优解输出。

根据本发明的一种实施方式：

抗体浓度：

其中S_v，z为抗体与抗体之间亲和力：

L表示抗体的维数，即参数的个数，k_v，z为抗体v和抗体z中参数数值相同的个数；

期望繁殖率：

抗体与抗原间亲和力：

其中α为常数，取值区间为[0.5，0.95]，F_v为目标函数。

本发明一种基于RBF神经网络和自适应搜索的人工免疫算法的优点在于：

1)利用RBF神经网络只需要适当的样本数据，即可构建抗体-抗原非线性RBF神经网络映射曲面的建模能力，可以加快通过抗体计算抗原的效率，同时优选出来的抗体可以加快整个抗体的极优值的筛选，加快收敛速度；

2)自适应搜索机制的引进主要是针对记忆细胞，即对当前部分最优抗体进行边际搜索，加强记忆细胞周围优秀抗体的搜索能力，并减小了抗体选择的随机性，增加了抗体的多样性，使得新算法的局部寻优能力得到较大提升，也进一步优化算法的收敛速度，提高算法的精度和效率。

3)本发明中自适应搜索机制和人工免疫算法对抗体种群的更新是以并联方式实现的，利用种群A中的优质抗体进行适当的边际搜索，搜索出与种群B中抗体数量相同的抗体来取代待接种种群B中的原有抗体，与此同时，对除去种群A外的抗体群进行选择、交叉和变异操作，形成种群C。这种方式在一定也提高了算法运行效率。

4)本发明中种群A、种群B和种群C中抗体数量随着迭代进行动态调整，保证抗体的多样性，又可让结构体始终朝着最优亲和度的方向演变。

下面结合附图对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

附图说明

图1为抢救车作业装置液压节能系统原理简图；

图2为本发明一种基于RBF神经网络和自适应搜索的人工免疫算法流程图；

图3a空载工况时回转机构一个周期内的速度信号图；

图3b空载工况时起升机构一个周期内的速度信号图；

图3c空载工况时变幅机构一个周期内的速度信号图；

图3d空载工况时伸缩机构一个周期内的速度信号图；

图4a V_acc0＝6.3L时的抗体-抗原非线性RBF神经网络映射曲面；

图4b V_acc0＝10L时的抗体-抗原非线性RBF神经网络映射曲面；

图4c V_acc0＝16L时的抗体-抗原非线性RBF神经网络映射曲面；

图4d V_acc0＝20L时的抗体-抗原非线性RBF神经网络映射曲面；

图5a采用本发明算法V_acc0＝6.3L时的质量控制图；

图5b采用本发明算法V_acc0＝10L时的质量控制图；

图5c采用本发明算法V_acc0＝16L时的质量控制图；

图5d采用本发明算法V_acc0＝20L时的质量控制图。

图1中附图标记如下：

1.滤油器；2.溢流阀；3.恒压变量泵；4.齿轮泵；5.单向阀；6.高速快关阀；7.液压蓄能器；8.先导控制机构；9.第一液压变压器；10.第二液压变压器；11.伸缩油缸；12.变幅油缸；13.起升马达；14.回转马达

具体实施方式

本发明一种基于RBF神经网络和自适应搜索的人工免疫算法，参见图2，包括以下步骤：

S1)分析问题，即抗原识别，对问题特征进行分析，明确约束关系；

系统建模，构建RBF神经网络；

S2)利用样本数据对RBF神经网络进行训练，构建抗体-抗原非线性RBF神经网络映射曲面；

S3)随机产生一定数量的初始抗体群；

S4)利用步骤S2构建的抗体-抗原非线性RBF神经网络映射曲面计算出抗体-抗原结构体，从中优选出N个抗体作为待评价抗体；优选方法为根据抗原的优劣排序，选出前N个；

S5)对步骤S4优选出的N个抗体进行评价，计算每个抗体与抗原的亲和度，计算抗体浓度，计算每个抗体的期望繁殖率；

S6)形成父代群：将抗体群按期望繁殖率进行排序，并提取前n_A个作为记忆细胞构成种群A，将后n_B个作为待接种种群B，其中n_A＝P_cmaxN，n_B＝n_A，P_cmax是抗体亲和度最大值；

S7)终止条件判断，若满足终止条件，则结束并输出结果，即最优解；反之，则执行步骤S8；终止条件是根据具体算例来确定的，同一算例中终止条件也可以有多个，比如终止条件可以是结果与目标值之间的误差达到某个阈值、最大迭代次数等，最大迭代次数是根据算例需求来定的，如果种群规模大，迭代次数就多，种群规模小迭代次数就小；

S8)免疫操作和疫苗接种：对步骤S6中除去种群A外的抗体群进行选择、交叉和变异操作，形成种群C，种群C中抗体数量为n_c，n_c＝N-n_A；对待接种种群B进行疫苗接种后，与种群A、种群C一起组成新的抗体种群D，再转到步骤S4；

疫苗接种是采用一种自适应搜索算法实现的，以种群A中的记忆细胞为中心，在记忆细胞周围指定范围内随机搜索该指定范围内的最优抗体，并以该最优抗体替代待接种种群B中的抗体。

本发明的一实施方式中，自适应搜索算法为：

Vaccine(x_i)＝mcell+range(t)，i＝1，2，…，n_B；

range(t)＝rand·R(t)；

式中：Vaccine(x_i)表示对x_i接种疫苗；x_i表示待接种种群B中的抗体，mcell表示种群A中的记忆细胞，range(t)是第t代搜索范围；R(t)是第t代搜索半径，初代搜索半径为记忆细胞到约束边际的最大间隔，约束边际为抗体内各待优化参数的最大值和最小值；之后的搜索半径在上一代的基础上进行动态调整，调整方法如下式所示：

其中α_m和α_n分别为缩减半径和倍增半径；t_max为最大迭代代数，其中α_m和α_n的控制规则为：

其中C_v表示抗体浓度；

搜索规则采用经验公式来制定。

本发明的一实施方式中，当抗体某个维度的取值区间为离散数据，且离散数据的个数不大于8，则由步骤S2构建的抗体-抗原非线性RBF神经网络映射曲面推演出该维度取值区间中每个离散数据对应的RBF神经网络曲面，然后分别执行后续步骤S3——S8，最后从每个离散数据对应的最优解中再选择最优的作为全局最优解输出。

本发明的一实施方式，

抗体浓度：

其中S_v，z为抗体与抗体之间亲和力：

L表示抗体的维数，即参数的个数，k_v，z为抗体v和抗体z中参数数值相同的个数；例如，若有3个备选参数，那么L＝3，而两个抗体[7102]、[8103]的k_v，z为1，则两个抗体之间的亲和力为1/3。

期望繁殖率：

抗体与抗原间亲和力：

其中α为常数，取值区间为[0.5，0.95]，F_v为目标函数。

实施例

以基于CPR网络(Common Pressure Rail恒压网络，筒称CPR网络)的采用液压变压器控制的新型液压节能系统中优化参数的确定，来举例说明本发明的应用。

新型液压节能幅系统工作原理图如图1所示，新系统是基于CPR网络的采用液压变压器控制执行元件的新型液压节能系统，由CPR网络、液压变压器、先导控制机构、变幅油缸和回转马达等执行元件、高速开关阀以及一些辅助元件组成。CPR网络由高压回路和低压回路构成，高压回路中的恒压变量泵3和液压蓄能器7组成混合动力源来保证高压端压力的相对稳定，而低压回路与油箱直接相连。考虑到伸缩油缸11和变幅油缸12、起升马达13和回转马达14不经常同时工作，且伸缩油缸11和变幅油缸12，起升马达13和回转马达14是类型相同的负载，即分别为直线负载和旋转负载，因此采用第一液压变压器9来控制伸缩油缸11和变幅油缸12，第二液压变压器10来控制起升马达13和回转马达14，并利用多个高速开关阀6构成阀组进行切换控制，以实现同一液压变压器对同类型执行元件的有效控制。通过这种配置，不仅可以沿用现有阀控液压系统的执行元件，还可减少液压变压器等控制元件的数量，有利于降低系统的改造难度和改造成本。

优化参数的确定

利用本发明一种基于RBF神经网络和自适应搜索的人工免疫算法对新系统中新增关键元件的参数进行优化匹配，以使新型液压节能系统在不低于原阀控系统的控制性能的前提下，实现系统的最低能量输出。相对于原阀控液压系统，新系统中新增的元件主要为液压蓄能器7、液压变压器和恒压变量泵3等。由于现有技术原因，液压变压器还处于单件生产阶段，只能选择现有条件满足使用功能排量的产品，因此只需根据从现有产品中选择最接近的排量即可。恒压变量泵主要是作为能量输出功能来使用的，恒压变量泵的输出能耗基本上代表了整个液压节能系统的大部分能耗，因此必须予以考虑。液压系统的能耗不仅取决于流量，也与压力直接相关，而液压节能系统中的恒压变量泵是作为CPR网络的主要供油源，因此在满足系统所要求的流速前提下，能耗主要取决于CPR网络的高压端压力P_H。CPR网络高压端压力与流量直接相关，因此通过优化选定CPR网络的高压端设定压力更能直接决定系统能耗的大小，恒压变量泵的实际排量则可根据CPR网络高压端压力动态调节，因此，本发明根据原阀控系统的主泵排量来选定液压节能系统的主泵，即恒压变量泵的额定排量。液压蓄能器作为液压节能系统的第二能量源，既要回收可再生能量，又可作为辅助能源为系统提供能量，即向CPR网络供给油液，从而减小恒压变量泵的实际输出流量，达到降低恒压变量泵能耗的目的，且液压蓄能器对维持CPR网络的压力稳定有着重要的作用，而液压蓄能器容积V_acc0和液压蓄能器预充气压力P_acc0是决定液压蓄能器性能的两个关键性参数，因此对液压蓄能器的这两个关键性参数的优化选择对降低系统能耗有着重要的意义。根据选型计算，初步优选出如表1所示的符合要求的参数范围。

表1备选参数名称和范围

工作流程的确定

新型液压节能系统是对原阀控液压系统的节能改造，但其作业本质没有改变，即仍旧是完成抢救车战场抢修和物资装卸等战场保障任务，故新系统的工作流程与原阀控系统基本一致，因此选用原阀控系统的基本动作流程作为新系统的基本动作流程。新系统的输入是手柄信号，然后将其转换为执行元件的速度信号，因此根据动作流程，采用如图3a、3b、3c和3d所示的空载工况时一个周期内的执行元件速度信号作为新系统的输入信号。输入信号的大小是根据原阀控液压系统中各执行元件工作状态相对稳定时的速度大小来选取。

3.4参数的优化匹配

液压系统的能耗是由恒压变量泵3和齿轮泵4的能耗共同构成的，在图1的原理图中可以看到，而这两个泵的作用不一样，虽然是两个单独的供油系统，但不独立，CPR网络高压端的压力对先导控制机构8会有间接的影响，从而影响齿轮泵的出口压力，进而影响到齿轮泵的输出能耗。选取动力元件恒压变量泵3和为先导控制机构8供油的齿轮泵4输出能量之和的最小值作为执行本发明算法的目标，具体液压节能系统节能优化的目标函数为在图3a、3b、3c和3d所示的输入信号作用下的一个周期内的液压系统能耗E_T：

minE_T＝E_H+E_X

E_H＝∫P_H·Q_Pdt

E_X＝∫P_X·Q_Xdt

式中：E_H为恒压变量泵3输出能量；E_X为先导控制机构供油的齿轮泵4输出能量；P_H为CPR高压端压力；Q_P为恒压变量泵3输出油液流量；P_X为先导控制机构8液压系统高压油路压力；Q_X为齿轮泵4输出油液流量。P_H、Q_P、P_X和Q_X这些参数在仿真过程中可以直接获取。

目标函数中的液压系统能耗E_T由仿真模型运行一周期后可得出，而这个液压节能系统的能耗也是一个抗体组对应的抗体解。考虑到运行一次仿真模型需要的时间相对较久，因此本发明利用样本数据对RBF神经网络进行训练，构建抗体-抗原非线性RBF神经网络映射曲面，以加快每一次对抗体解的求解过程。即首先在表1的参数范围内随机产生一定数量的抗体群，由仿真模型计算得出的抗体-抗体解的结构体作为神经网络的训练样本，以此来训练构建抗体-抗原非线性RBF神经网络映射曲面，然后再随机产生初始抗体群开始算法的优化计算。同时考虑到液压蓄能器容积V_acc0的备选参数是离散非连续的区间，且只有4个离散数据，本发明再进一步提出适用于类似于这种备选参数在某一维度是离散的且数量不大于8个的情况下，即由已构建的抗体-抗原非线性RBF神经网络映射曲面演化出该维度每一个数据对应的抗体-抗原非线性RBF神经网络映射曲面，然后再利用的后续步骤进行寻优，最后从该维度下每一个数据对应的最优解中获取全局最优解，从而实现对目标函数寻优过程的降维，以进一步加快寻优速度。

本发明在已构建的抗体-抗体解的非线性RBF神经网络映射曲面的基础上，演化构建出每一个液压蓄能器容积备选数据对应的CPR网络高压端设定压力P_H、预充气压力P_acc0与液压系统能耗E_T之间的RBF神经网络映射曲面，其三维图形分别如图4a、图4b、图4c和图4d所示，然后再利用本发明算法寻找出对应液压蓄能器容积的最低系统能耗的参数组，最后将相应的4组优选参数组进行对比分析，优选出能耗最小的一组作为新型液压节能系统的最优参数组，即全局最优解。

图5a、5b、5c和5d所示的是不同液压蓄能器容积值所对应的随机7次计算后得到的最终适应度值的质量控制图，适应度值即抗体与抗原之间的亲和力，适应度值中间的蓝线是所有计算得到的平均值，波动范围是每次计算的值相对于平均值的波动值，从图中可以看出，采用本发明算法对最小能耗值搜索的相对偏差都较小，说明该算法具有较好的全局搜索能力。

本发明算法利用RBF神经网络可在高度分布式系统中快速识别问题的能力,来构建与原抗体-抗体解之间高度相似的非线性映射曲面，以加快算法的运行速度，并引进自适应搜索机制到人工免疫算法中来加强记忆细胞周围优秀抗体的搜索能力，在保证种群多样性的同时，减小抗体选择的随机性，从而有效提高算法的精度和效率。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (4)

1.一种基于RBF神经网络和自适应搜索的人工免疫算法，其特征在于包括以下步骤：

S1)分析问题，即抗原识别，对问题特征进行分析，明确约束关系；

系统建模，构建RBF神经网络；

S2)利用样本数据对RBF神经网络进行训练，构建抗体-抗原非线性RBF神经网络映射曲面；

S3)随机产生一定数量的初始抗体群；

S4)利用步骤S2构建的抗体-抗原非线性RBF神经网络映射曲面计算出抗体-抗原结构体，从中优选出N个抗体作为待评价抗体；所述优选方法为根据抗原的优劣排序，选出前N个；

S5)对步骤S4优选出的N个抗体进行评价，计算每个抗体与抗原的亲和度，计算抗体浓度，计算每个抗体的期望繁殖率；

S6)形成父代群：将抗体群按期望繁殖率进行降序排列，并提取前n_A个作为记忆细胞构成种群A，将后n_B个作为待接种种群B，其中n_A＝P_cmaxN，n_B＝n_A，P_cmax是抗体与抗原之间亲和度最大值；

S7)终止条件判断，若满足终止条件，则结束并输出结果，即最优解；反之，则执行步骤S8；

S8)免疫操作和疫苗接种：对步骤S6中除去种群A外的抗体群进行选择、交叉和变异操作，形成种群C，种群C中抗体数量为n_c,n_c＝N-n_A；对待接种种群B进行疫苗接种后，与种群A、种群C一起组成新的抗体种群D，再转到步骤S4；

所述疫苗接种是采用一种自适应搜索算法实现的，以种群A中的记忆细胞为中心，在记忆细胞周围指定范围内随机搜索该指定范围内的最优抗体，并以该最优抗体替代待接种种群B中的抗体。

2.根据权利要求1所述的一种基于RBF神经网络和自适应搜索的人工免疫算法，其特征在于所述自适应搜索算法为：

Vaccine(x_i)＝mcell+range(t),i＝1,2,…,n_B；

range(t)＝rand·R(t)；

式中：Vaccine(x_i)表示对x_i接种疫苗；x_i表示待接种种群B中的抗体，mcell表示种群A中的记忆细胞，range(t)是第t代搜索范围；R(t)是第t代搜索半径，初代搜索半径为种群A中的记忆细胞到约束边际的最大间隔，之后的搜索半径在上一代的基础上进行动态调整，调整方法如下式所示：

其中α_m和α_n分别为缩减半径和倍增半径；t_max为最大迭代代数，其中α_m和α_n的控制规则为：

其中C_v表示抗体浓度。

3.根据权利要求2所述的一种基于RBF神经网络和自适应搜索的人工免疫算法，其特征在于：当抗体某个维度的取值区间为离散数据，且离散数据的个数不大于8，则由步骤S2构建的抗体-抗原非线性RBF神经网络映射曲面推演出该维度取值区间中每个离散数据对应的RBF神经网络曲面，然后分别执行后续步骤S3——S8，最后从每个离散数据对应的最优解中再选择最优的作为全局最优解输出。

4.根据权利要求1至3所述的一种基于RBF神经网络和自适应搜索的人工免疫算法，其特征在于：

抗体浓度：

其中S_v，z为抗体与抗体之间亲和力：

L表示抗体的维数，即参数的个数，k_v,z为抗体v和抗体z中参数数值相同的个数；

期望繁殖率：

抗体与抗原间亲和力：

其中α为常数，取值区间为[0.5,0.95]，F_v为目标函数。