免疫参数（共3篇）
免疫参数 篇1
0 引言
在工程上,PID控制至今仍然是应用最广泛的控制规律,PID控制系统优化设计中的关键是参数优化设计。遗传算法(Genetic Algorithm,GA)因为寻优简单、鲁棒性强、易于并行化等优点成为了PID理想的参数优化方法。但是传统的遗传算法存在一些问题,主要有早熟收敛、容易陷入局部最优、局部搜索能力较弱、收敛速度慢等。早熟收敛、容易陷入局部最优主要与遗传算法的选择压力过大有关,通过适应度尺度变换调节选择压力是解决这个问题的主要方法,但适应度尺度变换的效果随具体问题的不同而表现出较大差异,通用性稍差。人工免疫算法(Artificial Immune Algorithm,AIA)与GA的本质不同是,AIA的选择算子模拟了自然免疫系统的抗体繁殖策略,引入了抗体浓度调节机制,即对适应值高且浓度低的抗体促进其繁殖,对浓度高的抗体进行抑制,从而有效的调节了选择压力,保持了解群体的多样性,克服了遗传算法容易出现早熟收敛和陷入局部最优的缺点。抗体浓度调节机制是调节选择压力的一种较为理想的方法[1]。但AIA的缺点也很突出,这就是它的运行速度和收敛速度都较慢,因此本文提出了新的抗体相似度、期望繁殖率以及克隆选择概率的定义方法和计算公式,并结合精英选择策略(elitism strategy)提出了一种新的免疫遗传算法,简称为IGAE(Immune Genetic Algorithm with Elitism)。
IGAE有两个重要特点,第一是抗体的相似度和期望繁殖率在进化过程中可以动态调整,以平衡群体的多样性和算法的收敛速度,使算法可以快速地产生高质量的解;第二是由于采用了Elitism策略,可以确保算法收敛到全局最优解[2]。以IGAE为基础,本文提出了一种新的PID控制器的优化设计方法。该方法以ITAE性能准则作为优化问题的目标函数,采用IGAE去调整和优化PID控制器的三个增益参数,以获得性能最优的PID控制器。所设计的这种控制器称为IGAE-PID控制器。对四种典型的控制对象所进行的仿真实验表明,IGAE-PID控制器具有良好的控制性能和鲁棒性能。与采用微分进化算法、具有精英选择的遗传算法以及模拟退火算法设计的三种PID控制器相比,IGAE-PID控制器具有更好的或相当的控制性能[3]。此外,实验结果还证实,IGAE在搜索最优PID控制器增益参数时,具有收敛速度快及动态收敛性好等优点。
1 改进的免疫遗传算法的设计思想
免疫遗传算法与遗传算法一样,包含选择、交叉和变异三种操作。不同的是,在遗传算法中,个体(即抗体)的品质只用适应度这一个指标评价;而在免疫遗传算法中,个体的品质采用了适应度和浓度两个指标共同来评价。抗体的浓度的概念是由Fukuda首先提出来的[4]。引入浓度概念之后,和遗传算法对比,免疫遗传算法的群体更新策略有了较大改变。在克隆操作时,免疫遗传算法中的个体的选择概率既与适应度有关,也与浓度有关。同遗传算法相比,免疫遗传算法具有更好的群体多样性保持能力,其收敛性也更好[5]。
1.1 本算法涉及的几个定义
假设有一个规模为m的抗体群,其中每一个抗体都可以表示成一个具有n个元素的一维向量。下面给出的是抗体的相似度、浓度、期望繁殖率、选择概率以及抗体群多样性指标等定义。
1)抗体的相似度
在特定的、规模为m的抗体群中,给定的抗体,其与抗体群中任一抗体的欧氏距离记为d(v,w)抗体v和w的适应度分别记为fv和fw,假定ε是一个适当小的正常数,若:
成立,则称抗体v与抗体w相似。式中,a>0是反映欧氏距离d(v,w)和适应度差值|fv-fw|各自在以J(v,w)中相对重要性的一个参数,ε也称为抗体相似度阈值[6]。
在这个定义中,欧氏距离用来反映两个抗体在结构上的相似性,而适应度的差值用来反映两个抗体在性能或品质上的相似性。
2)浓度
在特定的、规模为m的抗体群中,抗体k(k=1~m)相似的抗体(包括抗体k自身)的个数称为抗体k的浓度,记为ck。
3)期望繁殖率
对于特定的、规模为m的抗体群,抗体k(k=1~m)的期望繁殖率ek定义为:
式中,fk为抗体的适应度,β是反映抗体的适应度和浓度各自在期望繁殖率中相对重要性的一个参数。公式(2)是本文给出的一种新的抗体期望繁殖率的定义方法。已往的人工免疫算法中,抗体的期望繁殖率与其适应度和浓度的关系是完全固定的(相当于式中的β=1),无法调整适应度和浓度各自在期望繁殖率中的相对重要性,本文给出的这个定义很好地解决了这个问题。
4)选择概率
对于特定的、规模为m的抗体群,设抗体k(k=1~m)的期望繁殖率为ek,则抗体k被选择进行复制(克隆)的概率psk为:
从该公式可以看出,人工免疫算法的选择概率不仅与个体的适应度有关而且还与个体的浓度有关。这是人工免疫算法与遗传算法最大的差别之处[7]。
5)抗体群多样性指标
对于特定的、规模为m的抗体群,其多样性指标Idtv定义为:
式中,ck为第k个抗体的浓度。
1.2 精英保留策略
遗传算法的最大问题就是容易陷入局部最优,为了避免当前群体的最优个体在下一代发生丢失,导致遗传算法陷入局部最优而不能收敛到全局最优解,De Jong在其博士论文中提出了“精英选择”(elitist selection or elitism)策略[6],也称为“精英保留”(elitist preservation)策略。其主要思想是,将群体在进化过程中迄今出现的最好的个体直接复制到下一代中,而不进行配对交叉,这种选择操作即复制。De Jong在其论文中对精英选择策略作了如下定义:
设到第m代时,群体中a*(m)为最优个体。又设A(m+1)为新一代群体,若A(m+1)中不存在a*(m),则把a*(m)加入到A(m+1)中作为A(m+1)的第Sp+1个个体,这里Sp为群体的大小。将精英个体加入到新一代群体中后,为了保持群体的大小规模和原先一致,则可以将新一代群体中适应度值最小的个体淘汰掉。精英保留策略对改进标准遗传算法的全局收敛能力产生了重大作用[8]。
2 优化问题描述和PID增益参数优化的仿真结构
将ITAE(时间乘以误差绝对值积分的性能指标)准则作为目标函数,将PID增益参数作为待优化的变量,则优化问题可以描述为:对一个PID控制系统,当控制对象确定后,设法找到一组最优增益,使系统的性能指标达到最小值。
采用IGAE算法确定PID控制器最优增益的仿真结构如图1所示。图中r是系统的参考输入,e是系统产生的误差,kp、ki、kd是IGAE算法输出的PID增益,u是PID控制器产生的控制作用,y是系统的输出量。
3 基于IGAE算法的PID控制器优化设计步骤
综合以上论述,基于IGAE算法的PID控制器优化设计的步骤可给出如下:
l)根据控制对象的特征,确定增益参数kp、ki、kd的取值范围和数值精度,以及kp、ki、kd所对应的二迸制子串的位数,构造抗体变量。
2)设定ε及群体大小m等参数的值,设置一个长度为ι的二进制变量和一个十进制的、具有三个元素的一维向量,分别用于存放精英抗体的二进制串和它的三个PID增益的值。
3)随机产生m个基因型抗体,组成初始抗体群。
4)令迭代指针t=1。
5)对每个抗体(1)解码,获得对应的增益值;(2)将增益值送入到PID控制对象执行一次完整的控制活动,计算出抗体的适应度,将适应度最大的抗体作为精英抗体,然后将其复制,分别以十进制和二进制的形式保存到变量ad*和ab*中。
6)如果这一代抗体群中没有与精英抗体适应度相同的抗体,则将保存在ab*中的精英抗体复制一个到该抗体群中,并将该抗体群中适应度最小的抗体删除;否则,继续。
7)如果这一代抗体群中适应度最大的抗体其适应度的值大于精英抗体的适应度的值,则将这个适应度最大的抗体复制一个,并以它作为新的精英抗体替代保存在ad*和ab*中的精英抗体;否则,继续。
8)依据抗体的相似度定义,计算每个抗体的浓度。
9)计算每个抗体的期望繁殖率和选择概率;根据选择概率采用“比例选择法”对抗体群执行选择和复制操作。
10)对抗体群执行交叉操作。
11)对抗体群执行变异操作。
12)令,则返回到Step 6;否则,输出保存在变量ad*中的最优PID增益,算法停止。
4 免疫遗传最优PID控制系统性能分析
为了评估IGAE-PID控制器的性能,作为比较对象,我们还采用了其他三种典型的进化算法,包括标准微分进化算法(Differential Evolution-DE)、具有精英保留策略的标准遗传算法(Genetic Algorithm-GA)以及标准模拟退火算法(Simulated Annealing-SA),设计了三个PID控制器,分别称为DE-PID、GA-PID和SA-PID控制器[9]。
4.1 四种PID控制器性能的比较
选取在工业应用中具有代表性的二阶系统(two-order system)进行计算机仿真实验。
表1列出了四种PID控制器的增益参数kp、ki、kd的最优值以及系统的动态和稳态性能指标值。
与其他三种PID控制器相比,从表1可以看出,对二阶系统来说,IGAE-PID控制器的ITAE值、超调量Mp和调节时间ts都是最小的。这说明它具有良好的自适应性和鲁棒性以及更好的控制性能。
4.2 四种算法的性能比较
图2给出了对于二阶系统在这四种PID控制器作用下系统性能指标值的收敛过程。可以看出,IGAE算法的收敛速度比GA算法快,
为了比较这四种算法在多次实验中所产生的最优解的波动情况,我们还采用这四种PID控制器对二阶系统进行了100次仿真实验,并引入样本标准差J作为波动性评估指标。
从表2可以看出,在这四个例子中,IGAE算法的是最小或比较小的,说明IGAE算法在多次实验中所产生的解具有最小的或较小的波动性,解的稳定性非常好。
表3显示出了各种算法的计算效率对比数据。进行仿真实验时,所使用的计算机配置为:CPU为AMDl700+(约为1.53G),内存为256M,操作系统为Windows XP。从这些统计数据可以看出,虽然IGAE算法迭代一次所需的CPU时间比较多,但收敛所需的平均迭代次数在四种方法中是比较少的,所以IGAE算法获得最优解的平均CPU时间是四种方法中最少或较少的。
5 结论
通过对四种典型的控制对象所进行的计算机仿真结果比较,可以看出IGAE-PID控制器具有良好的控制性能和鲁棒性能。此外,IGAE算法在搜索最优的PID控制增益参数时,具有收敛速度快、解的波动范围小以及计算效率高等优良特征。
参考文献
[1]云庆夏.进化算法.北京:冶金工业出版社,2000.
[2]李敏强,寇纪淞,林丹,等.遗传算法的基本理论与应用[M].北京:科学出版社,2002.
[3]J.H.Holland.Adaptation in Natural and Artificial Systems.Univ.ofMichigan Press,Ann Arbor,Mich,1975.
[4]Toyoo Fukuda,gdzuyuki Moil and Makoto Tsukiyama.Parallel Search for Multi-Modal Function Optimization withDiversity and Learning of Immune Algorithm.In ArtificialImmune Systems and Their Applications,Dipankar Dasgupta(Ed.),Springer,1998:210-220.
[5]Dipankar Dasgupta and Hal Brian.Mobile Security Agentsfor Network Traffic Analysis,0-7695-1212-7/01,2001IEEE:332-340.
[6]De Jong,"An analysis of the behavior of a class of geneticadaptive systems,"PllD Dissertation,UniversityofMichigan,1975,76-9381.
[7]王小平,曹立明著.遗传算法—理论、应用与软件实现[M].西安:西安交通大学出版社,2002.
[8]DavisL.D.Handbook ofGenetic Algorithms.VanNostrandReinhold,1991.
[9]席裕庚,柴天佑,挥为民.遗传算法综述[J].控制理论与应用1996,13(6):697-708.
免疫参数 篇2
在现代工业领域中, 感应加热电源被广泛应用, 感应加热有许多的优点:首先是能耗低;其次是该种加热方式无需预热过程, 使用方便, 操作简单;第三, 可以实现全自动或半自动工作;第四, 不用对工件进行整体加热, 可选择局部加热[2]。基于以上优点, 在电能代替煤、油、气等不可再生能源的今天, 感应加热在工程领域得到日益广泛的应用。
然而由于传统感应加热电源PID控制需要建立比较精确的数学模型来描述加热工件以取得好的加热效果, 但是感应加热电源的输出是呈非线性的, 无法建立精确的模型, 所以目前工业领域的感应加热无法取得很好的加热效果。伴随着智能控制的出现, 人们将PID控制器与智能控制相结合, 开发了新型的智能控制器, 本文就是基于免疫遗传算法对PID参数进行整定, 使得高频感应加热电源有稳定的输出。
1 高频感应加热电源的整体设计
1.1 电源结构
如图1所示, 工业领域用的感应加热电源, 其主要由整流滤波电路、逆变电路、系统负载和信号处理电路等四大部分组成。整流滤波电路的功能是将工频交流电转化为直流电, 有的滤波电路还兼有调功的作用;逆变电路的功能是把直流电再转变为所需要的交流电;系统负载是感应加热电源的能量转换机构;信号处理电路是弱电控制电路, 包括信号采集处理电路、控制电路和调节保护电路等[1]。
1.2 工作原理
感应加热电源的工作过程是首先通过整流电路将工频交流电压转换为直流电压, 接着输入到逆变电路, 通过逆变电路就可以得到加热所需的电压和电流, 加热工件的加热温度主要取决于逆变电路的输出功率, 而感应加热电源最终输出的电压值决定了其输出功率, 加热工件的渗透深度主要取决于逆变电路的输出电流频率。由此可见, 决定加热工件加热质量的因素主要是加热电源的输出功率和输出电流频率。
2 免疫遗传算法对PID的参数整定操作
免疫遗传算法具有以下优点:1、可以通过抗体的多样性保持功能, 提高系统的全局搜索能力;2、免疫遗传算法具有自我调节的功能, 可以提高系统对局部的搜索能力;3、免疫遗传算法具有免疫记忆功能, 这种功能可以提高收敛速度, 以确保系统快速收敛于全局最优解。基于以上优点, 本文将免疫遗传算法与PID的参数整定相结合, 以提高PID的参数整定能力。
2.1 参数的确定及表示
首先根据PID控制对象, 选定参数范围, 然后根据系统的精度要求对参数进行编码, 对实数编码和二进制编码进行比较, 本文选择二进制对控制参数进行编码, 这样就可以建立控制参数和二进制字串之间的关系, 则该字串就是遗传算法可操作的对象。
2.2 选择初始种群
对于二进制编码而言, 首先在MATLAB中产生0~1之间均匀分布的随机数, 然后对产生的随机数进行分类, 规定0~0.5之间的数代表0, 0.5~1之间的数代表1。
2.3 适配函数的确定
以控制量、误差和上升时间作为约束条件, 确定目标函数后直接将其作为适配函数进行参数寻优。
2.4 免疫遗传算法的操作
遗传算法流程如图2所示。
3 基于IGA-PID高频感应加热电源控制
高频感应加热电源的负载是非线性系统, 想要达到理想的控制效果, 就需要在线实时调整优化PID的三个参数kp、ki、kd[5]。免疫遗传算法 (IGA) 是基于生物免疫机制, 把待求解问题的函数作为入侵生物体的抗原, 而问题的解作为免疫系统产生的抗体。通过免疫遗传算法与PID控制的结合, 可以实现PID参数在线实时自动调节。
3.1 确定参数
首先由高频感应加热电源的特点根据经验值确定参数kp、ki、kd的取值范围, 也就是确定优化问题的解空间。由经验值可得参数Kp的取值范围为[0, 20], Ki, Kd的取值范围为[0, 1], 把每一组属于解空间内的kp、ki、kd。都看作是一个抗体, 然后将它表示成一个由三个元素组成的一维向量{kp、ki、kd}。根据kp、ki、kd的取值范围和数值精度要求, 分别将它们编码成一个二进制的子串。然后再将所获得的三个子串按照kpkikd的顺序串连接起来, 这样就组成一个完整的染色体, 组成的新的染色体是一个适合于免疫算法操作的基因型抗体。
3.2 构造目标函数及适应度函数
对于本文研究的高频感应加热电源的控制系统, 系统的性能指标主要有响应的上升时间tr、调节时间ts、超调量MP以及误差ess等, 它们的值越小, 则表示系统的控制性能越好。一般在控制系统中用ITAE来判断其控制性能优劣, 所以目标函数为:
式中e (t) =r (t) -y (t) 为系统误差, r (t) 为给定值, y (t) 为实际输出值, 则可以构造适应度函数f (k) :
其中, ITAEK是控制系统采用抗体k所提供的的PID增益{Kpk、Kik、Kdk}时系统的ITAE值, 可以看出, 适应度越大, ITAE值就越小, 系统的控制性能也越好。
将ITAE作为系统求解的目标函数, 把PID的参数{kp、ki、kd}作为待优化的变量。则优化问题可以理解为:对高频感应加热电源控制系统中最优增益{KP*、Ki*、Kd*}的求解, 使系统的ITAE性能指标达到最小值[4]。
3.3 确定解码方法
将二进制子串 (subs tr ing) p、 (subs tr ing) i、 (subs tr ing) d转换成十进制表示的增益kp、ki、kd即解码, 用下式来实现:
其中decimal (subs tr ing) x表示将一个二进制子串 (subs tr ing) x转化成一个十进制数的操作。
3.4 设计遗传算子
(1) 选择运算
遗传算法中的选择运算是根据每个个体的适应度值, 依据一定的规律和方法从群体中挑选出优良的个体, 把它们作为父代繁衍下一代。常用的选择运算方法主要有比例选择, 确定式采样选择, 排序选择[3]。
(2) 交叉运算
遗传算法中的交叉运算是指两个相互配对的染色体按某种方式相互交换其部分基因, 从而形成两个新的个体。通过这样的染色体改变所形成的新个体组合了父代的个体特征, 交叉运算主要算法有单点交叉, 双点交叉与多点交叉。
(3) 变异运算
遗传算法中的变异运算是指用个体染色体中的某些基因位上的其他等位基因来改变该基因位上的基因值, 从而形成一个新的染色体。变异运算包括基本位变异, 边界变异和高斯变异。
3.5 IGA中的控制参数
在免疫遗传算法中, 控制参数对算法的多样性和执行效率会产生很大的影响, 所以控制参数的选取至关重要, 这些参数即M (群体大小) , G (终止进化代数) , Pc (交叉概率) , Pm (变异概率) 等。
抗体群体的大小M会直接影响IGA的计算效率和其多样性, M过大或者过小都会有不良的影响, 所以一般选择M为100。
交叉概率Pc控制着交叉操作被使用的频率, 如果交叉概率过大, 它可以增强系统搜索区域的能力, 但是抗体群中的高性能模式就会遭到破坏, 如果交叉概率过小, 就会导致IGA搜索陷入迟钝状态, 结合控制系统, 本文由经验可取Pc为0.7。
变异概率Pm可以维持群体的多样性, 而且有可能对交叉过程中丢失的重要基因进行修复, 综合多种因素, 取Pm=0.035。
IGA算法的PID参数优化仿真结构如图3所示。
3.6 二进制编码遗传算法的高频感应加热电源PID整定
本文中PID的整定对象时高频感应加热电源, 被控对象为二阶传递函数:
为了取得比较理想的过渡动态特性, 参数选取最优指标的衡量标准为误差绝对值时间积分性能指标。故选择下式作为参数选取的最优指标:
其中e (t) 为系统误差;u (t) 为控制器输出;t (u) 为上升时间;w1、w2、w3为权值[6], w1=0.999, w2=0.001, w3=2.0, w4=100。
在MATLAB软件中对进行程序编写, 经过100代进化, 由MATLAB的仿真程序获得的优化参数为:Kp=19.393 9, Ki=0.229 7, Kd=0.256 1, 性能指标J=24.491 6, 整定过程中代价函数J的变化和二进制遗传算法优化PID阶跃响应及普通PID控制阶跃响应如图4~6所示。
4 结束语
基于免疫遗传算法的高频感应加热电源PID的整定, 由其模拟仿真可以直观地看出, 系统能迅速到达稳态, 且到达稳态之后一直保持这种状态, 寻优效果明显, 无超调, 相比普通PID控制到达稳态时间长且不稳定的加热状况有很大的改善与进步。
参考文献
[1]徐泽卿.高频感应加热电源的研究[D].哈尔滨:哈尔滨理工大学, 2014.
[2]韩盼盼.模糊自整定PID控制器的研究与设计[D].天津:河北工业大学, 2010.
[3]邓华昌.基于混合遗传算法的PID参数优化及其在液位控制中的应用[D].武汉:武汉科技大学, 2009.
[4]候志强.基于遗传算法的PID控制参数优化在炉温监控系统中的应用[D].长沙:中南大学, 2012.
[5]陶永华, 尹怡欣.新型PID控制及其应用[M].北京:机械工业出版社, 1998.
免疫参数 篇3
临床工作中发现1例自身免疫性溶血性贫血患者, 患者红细胞有冷凝集现象, 干扰了血常规分析仪, 使得红细胞相关参数出现异常报警信息, 现报道如下。
1 临床资料
患者女, 63岁, 主因发热伴关节肿痛入院治疗。血常规分析仪检测时仪器出现报警信息:红细胞大小不均、大红细胞、细胞分布异常。红细胞直方图明显右移, 且平均红细胞体积、平均血红蛋白量、平均血红蛋白浓度异常增高。血常规抗凝管壁出现沙粒状凝集, 血涂片下红细胞呈缗状聚集。其他检测:红细胞沉降率151 mm/h, 抗核抗体谱:抗SSA抗体、抗SSB抗体、抗组蛋白抗体及抗核抗体均阳性, 抗“O”阴性, 类风湿因子阴性, 网织红细胞58%;抗人球蛋白试验阳性。临床诊断为混合性结缔组织病。
2 仪器及试剂
所用仪器为Sysmex-XT2000血细胞分析仪及配套试剂。OLYMPUS显微镜。
3 检测方法
由于此患者静脉抗凝血存在自身凝集现象, 因此我们使用500 xg离心5 min, 弃上清加入等量0.9%氯化钠溶液, 混匀后离心。重复上述过程3次, 以洗涤红细胞。之后加入等量0.9%氯化钠溶液上机检测, 而白细胞及血小板计数及相关参数应使用离心前结果。另外采集一份末梢血, 令两名经验丰富的技师按照标准操作规程进行红细胞手工计数。计数结果:红细胞由原来的0.42×1012/L, 变为1.45×1012/L, 红细胞直方图正常, 红细胞相关参数结果相互符合。见表1。
4 讨论
自身免疫性溶血性贫血系指各种原因刺激产生抗自身红细胞抗体, 导致红细胞破坏增多、寿命缩短的贫血[1]。冷凝集是指患者血液中含有冷凝集素, 当低于某个温度时血细胞发生凝集, 当温度恢复到37℃时, 凝集消失, 这种可逆的现象称为冷凝集现象[2]。冷凝集素主要成分为针对红细胞膜抗原的Ig M抗体, 抗原抗体结合, 使红细胞产生凝集。正常的红细胞直方图应为50~125 fl, 几乎两侧对称, 较狭窄的正态分布曲线[3], 而我室第一次检测的静脉血红细胞直方图波峰明显减低, 波峰位置右移, 提示红细胞分布宽度明显变宽且出现了大红细胞。这是由于血液分析仪红细胞检测通道以电阻抗法为主, 聚集的红细胞被仪器误认为单个的大红细胞, 从而导致红细胞计数结果明显偏低。而红细胞参数中唯一可信的只有血红蛋白。剩余三项红细胞参数均是通过红细胞计数、红细胞平均体积、血红蛋白计算得值, 以致平均血红蛋白量、平均血红蛋白浓度显著增高, 红细胞比容显著降低。而洗涤之后重新检测的结果红细胞直方图正常, 结果正常。此案例提示我们应熟知仪器的检测原理、能够读懂各种直方图散点图带给我们的有用信息, 避免造成临床的误诊误治。
参考文献
[1]姚尔固.自身免疫性溶血性贫血[J].临床荟萃, 2000, 15 (20) :911-913.
[2]张俊峰, 王彦春, 魏殿军.特殊冷凝集标本对血细胞分析仪的影响及筛选方法[J].实用检验医师杂志, 2015, 7 (2) :127-130.