基于改进蜂群算法的神经系统最少能量控制技术的制作方法

本发明涉及神经科学和智能优化领域，具体地说是基于改进蜂群算法的神经系统最少能量控制技术。

背景技术：

izhikevich神经元模型是由eugenem.izhikevich于2003年建立的一种放电神经元系统模型，它结合了hodgkin-huxley神经元模型和和积分发放神经元模型的特性，既比较接近实际皮层神经元的放电特性，又能够进行大规模的仿真，而且计算比较简单。

在治疗一些神经系统疾病过程中，如帕金森病，一种有效方法是利用脑深层刺激技术对神经元施加电刺激以控制神经元的同步活动。然而，过强的电刺激可能会损伤神经组织，为了避免产生副作用，需要设计尽可能少的输入能量控制。本发明将提出一种基于改进蜂群算法的神经系统最少能量控制技术。针对蜂群算法收敛速度缓慢、容易出现早熟的问题，在传统蜂群算法的跟随蜂的食物源更新方案中引入遗忘因子和变学习因子，利用全局最优解和个体极值的信息来改进人工蜂群算法中的搜索模式，提出带遗传因子和学习因子的人工蜂群优化算法，并应用于神经系统最少能量控制技术中。

技术实现要素：

本发明的目的在于综合应用izhikevich神经元系统和人工蜂群算法推断最少能量控制序列和动作电位阈值之间的相互关系，提出一种基于改进蜂群算法的神经系统最少能量控制技术，寻优过程中以控制序列的能量为优化算法的评价函数，充分利用基于种群的全局搜索和基于个体的局部启发式搜索，通过优化种群分布，及早剔除不良个体，加快算法的求解速度，在保证较高收敛性能的基础上，提高全局搜索能力，获得高质量的解，以推测出与最佳控制序列。

izhikevich神经元系统可以描述如下：

式中，v：＝v(t)表示神经元膜电压，u：＝u(t)为电压恢复变量，反映了k⁺、na⁺的活动，并且给膜电压提供了一个负反馈。i：＝i(t)为外部输入电流，在该电流作用下，当膜电位v超过动作电位阈值vth＝30时，神经元会产生一个峰放电， 同时v被重置为c，u被重置为u+d。a、b、c、d为常数，不同取值会导致神经元产生不同发放现象，本发明仅考虑神经元模型产生规则发放的情形，取a＝0.02，b＝0.2，c＝-65，d＝8。

为了控制神经元达到动作电位阈值，设计时间窗t＝(1，2，…，tf)上神经元的输入刺激序列(即控制序列)，将控制序列的能量e作为适应度函数，即

其中，t表示神经元膜电压v达到动作电位阈值的控制时间。

本发明采用的技术方案包含如下步骤：

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[imm，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。

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+k^0.25)，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。

所述步骤5中，为了使蜜蜂充分利用邻域个体的搜索信息从而更好地寻找全局最优点，遗忘因子λ在下一蜜源搜索过程中以动态下降方式调整；

所述步骤5中，学习因子c1，c2采用异步变化方式调整，在优化初期，采用较大的c1值和较小的c2值，使蜜蜂尽量发散到搜索空间，扩大搜索范围和增加种群的多样性；在优化后期，采用较小的c1值和较大的c2值，有利于收敛到全局最优解。

本发明与已有技术相比具有以下优点：本发明基于改进蜂群算法的神经系统最少能量控制技术通过采蜜蜂个体的局部寻优行为以及蜂群的自适应优化能力，提高了算法的收敛速度，以控制序列能量为适应度函数，将学习因子异步变化思想整合到蜂群算法中，利用个体的择优选取和局部搜索来提高优化搜索效率，以获得最佳控制序列。

附图说明

图1是基于本发明方案的最少能量控制技术流程图。

图2是基于本发明方案的实施例最优控制i序列。

图3是基于本发明方案的实施例神经元膜电压v的变化曲线图。

图4是基于本发明方案的蜂群算法控制能量e迭代过程图。

具体实施方式

为了更好地理解本发明的技术方案，以下对实施方式作进一步的详细描述，并结合一个应用实例来说明具体实施方式，但不限于此。

实施例：考虑izhikevich神经元系统

式中，v：＝v(t)表示神经元膜电压，u：＝u(t)为电压恢复变量，i：＝i(t)为外部输入电流，在该电流作用下，当膜电位v超过动作电位阈值vth＝30时，神经元会产生一个峰放电，同时v被重置为c，u被重置为u+d。a、b、c、d为常数，取a＝0.02，b＝0.2，c＝-65，d＝8。

本发明方法工作流程如图1所示，具体实施方式可以分为以下几步：

(1)初始化神经元模型。给定系统变量初始值v0＝-65、u0＝-13，令控制输入范围[3，6]，随机产生tf＝240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＝0.05。

(2)初始化种群。设定蜂群规模n＝20，采蜜蜂种群规模为ne＝10，跟 随蜂种群规模为nf＝10，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＝2500，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

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。

(3)按照种群适应度大小，将蜜蜂分为采蜜蜂和跟随蜂。

(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。

(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+k⁰²⁵)，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。

(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。

(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。

(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(4)。

图2显示了基于本发明方案的最优控制序列。在该最优控制序列作用下，最少控制能量为3.89。图3显示了神经元膜电压v的变化曲线。图4显示了基于本发明方案的蜂群算法控制能量迭代过程图。

上面对本发明所述基于改进蜂群算法的神经系统最少能量控制技术进行了详细的说明，但本发明的具体实现形式并不局限于此。对本技术领域的一般技术人员来说，在不背离本发明所述方法的精神和权利要求范围的情况下对它进行的各种显而易见的改变都在本发明的保护范围之内。