本發(fā)明涉及神經(jīng)科學(xué)和智能優(yōu)化領(lǐng)域，具體地說是基于改進蜂群算法的神經(jīng)系統(tǒng)最少能量控制技術(shù)。

背景技術(shù)：

izhikevich神經(jīng)元模型是由eugenem.izhikevich于2003年建立的一種放電神經(jīng)元系統(tǒng)模型，它結(jié)合了hodgkin-huxley神經(jīng)元模型和和積分發(fā)放神經(jīng)元模型的特性，既比較接近實際皮層神經(jīng)元的放電特性，又能夠進行大規(guī)模的仿真，而且計算比較簡單。

在治療一些神經(jīng)系統(tǒng)疾病過程中，如帕金森病，一種有效方法是利用腦深層刺激技術(shù)對神經(jīng)元施加電刺激以控制神經(jīng)元的同步活動。然而，過強的電刺激可能會損傷神經(jīng)組織，為了避免產(chǎn)生副作用，需要設(shè)計盡可能少的輸入能量控制。本發(fā)明將提出一種基于改進蜂群算法的神經(jīng)系統(tǒng)最少能量控制技術(shù)。針對蜂群算法收斂速度緩慢、容易出現(xiàn)早熟的問題，在傳統(tǒng)蜂群算法的跟隨蜂的食物源更新方案中引入遺忘因子和變學(xué)習(xí)因子，利用全局最優(yōu)解和個體極值的信息來改進人工蜂群算法中的搜索模式，提出帶遺傳因子和學(xué)習(xí)因子的人工蜂群優(yōu)化算法，并應(yīng)用于神經(jīng)系統(tǒng)最少能量控制技術(shù)中。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于綜合應(yīng)用izhikevich神經(jīng)元系統(tǒng)和人工蜂群算法推斷最少能量控制序列和動作電位閾值之間的相互關(guān)系，提出一種基于改進蜂群算法的神經(jīng)系統(tǒng)最少能量控制技術(shù)，尋優(yōu)過程中以控制序列的能量為優(yōu)化算法的評價函數(shù)，充分利用基于種群的全局搜索和基于個體的局部啟發(fā)式搜索，通過優(yōu)化種群分布，及早剔除不良個體，加快算法的求解速度，在保證較高收斂性能的基礎(chǔ)上，提高全局搜索能力，獲得高質(zhì)量的解，以推測出與最佳控制序列。

izhikevich神經(jīng)元系統(tǒng)可以描述如下：

式中，v：＝v(t)表示神經(jīng)元膜電壓，u：＝u(t)為電壓恢復(fù)變量，反映了k⁺、na⁺的活動，并且給膜電壓提供了一個負反饋。i：＝i(t)為外部輸入電流，在該電流作用下，當膜電位v超過動作電位閾值vth＝30時，神經(jīng)元會產(chǎn)生一個峰放電， 同時v被重置為c，u被重置為u+d。a、b、c、d為常數(shù)，不同取值會導(dǎo)致神經(jīng)元產(chǎn)生不同發(fā)放現(xiàn)象，本發(fā)明僅考慮神經(jīng)元模型產(chǎn)生規(guī)則發(fā)放的情形，取a＝0.02，b＝0.2，c＝-65，d＝8。

為了控制神經(jīng)元達到動作電位閾值，設(shè)計時間窗t＝(1，2，…，tf)上神經(jīng)元的輸入刺激序列(即控制序列)，將控制序列的能量e作為適應(yīng)度函數(shù)，即

其中，t表示神經(jīng)元膜電壓v達到動作電位閾值的控制時間。

本發(fā)明采用的技術(shù)方案包含如下步驟：

步驟1：初始化神經(jīng)元模型。給定系統(tǒng)變量初始值v0、u0，根據(jù)控制輸入范圍[imm，imax]隨機產(chǎn)生tf個離散時間控制序列i(t)(t＝1，2，…，tf)，再利用歐拉方法對神經(jīng)元系統(tǒng)進行離散化，取離散化步長為δt。

步驟2：初始化種群。設(shè)定蜂群規(guī)模n，采蜜蜂種群規(guī)模為ne，跟隨蜂種群規(guī)模為nf，個體向量的維度為d＝tf，xi＝(ii(1)，…，ii(tf))表示搜索個體向量(這里，i＝1，2…，n)，為了敘述方便，記xi＝(xi1，…，xid)。蜂群進化代數(shù)為m，初始迭代為k＝1，根據(jù)神經(jīng)元電位離散序列計算達到動作電位閾值的控制序列能量，即種群的適應(yīng)度值。

步驟3：按照種群適應(yīng)度大小，將蜜蜂分為采蜜蜂和跟隨蜂。

步驟4：更新采蜜蜂蜜源。對于每只采蜜蜂，在原蜜源附近采蜜，按下式

vij＝xij+r(xij-xhj)

產(chǎn)生新的蜜源，式中i，h＝1，2…，n，h≠i，j＝1，2…，d，r是[-1，1]之間的隨機數(shù)，將獲得的新蜜源(即控制序列)作用于神經(jīng)元系統(tǒng)，獲得達到動作電位閾值的控制序列，并計算適應(yīng)度值，若其適應(yīng)度值更高，則取代原蜜源；否則放棄此蜜源。

步驟5：更新跟隨蜂的狀態(tài)。對于每只跟隨蜂，按照與采蜜蜂種群適應(yīng)度值成比例的的概率選擇一個采蜜蜂，并在其鄰域內(nèi)根據(jù)下式

vij＝λxij+c1r1(pij-xij)+c2r2(gj-xij)

產(chǎn)生新的蜜源，式中λ是遺忘因子，表示搜索下一個蜜源時對當前蜜源的記憶強度，pij表示每只蜜蜂自身的歷史最好位置，即個體極值，gj表示所有蜜蜂的歷史最好位置，即全局最優(yōu)解，r1和r2是[-1，1]之間的隨機數(shù)，c1，c2表示學(xué)習(xí)因子，c1＝1/(1+k^0.25)，c2＝k/m，用于調(diào)整蜜蜂自身經(jīng)驗和社會群體經(jīng)驗在整個尋優(yōu)過程中所起的作用的參數(shù)。若新產(chǎn)生的蜜源適應(yīng)度值更高，則跟隨蜂變成采蜜蜂，并取代原蜜源位置。

步驟6：記錄種群最終更新后的個體極值、全局最優(yōu)解以及最優(yōu)適應(yīng)度值。

步驟7：記錄每只采蜜蜂覓食同一蜜源的次數(shù)，當覓食同一蜜源的次數(shù)超過臨界閾值時，該采蜜蜂退化為跟隨蜂，并重新隨機初始化其位置。

步驟8：如果滿足終止條件，則停止計算并輸出最優(yōu)適應(yīng)度值及相應(yīng)的參 數(shù)xbest(即最優(yōu)控制序列)；否則，k：＝k+1，轉(zhuǎn)步驟4。

所述步驟5中，為了使蜜蜂充分利用鄰域個體的搜索信息從而更好地尋找全局最優(yōu)點，遺忘因子λ在下一蜜源搜索過程中以動態(tài)下降方式調(diào)整；

所述步驟5中，學(xué)習(xí)因子c1，c2采用異步變化方式調(diào)整，在優(yōu)化初期，采用較大的c1值和較小的c2值，使蜜蜂盡量發(fā)散到搜索空間，擴大搜索范圍和增加種群的多樣性；在優(yōu)化后期，采用較小的c1值和較大的c2值，有利于收斂到全局最優(yōu)解。

本發(fā)明與已有技術(shù)相比具有以下優(yōu)點：本發(fā)明基于改進蜂群算法的神經(jīng)系統(tǒng)最少能量控制技術(shù)通過采蜜蜂個體的局部尋優(yōu)行為以及蜂群的自適應(yīng)優(yōu)化能力，提高了算法的收斂速度，以控制序列能量為適應(yīng)度函數(shù)，將學(xué)習(xí)因子異步變化思想整合到蜂群算法中，利用個體的擇優(yōu)選取和局部搜索來提高優(yōu)化搜索效率，以獲得最佳控制序列。

附圖說明

圖1是基于本發(fā)明方案的最少能量控制技術(shù)流程圖。

圖2是基于本發(fā)明方案的實施例最優(yōu)控制i序列。

圖3是基于本發(fā)明方案的實施例神經(jīng)元膜電壓v的變化曲線圖。

圖4是基于本發(fā)明方案的蜂群算法控制能量e迭代過程圖。

具體實施方式

為了更好地理解本發(fā)明的技術(shù)方案，以下對實施方式作進一步的詳細描述，并結(jié)合一個應(yīng)用實例來說明具體實施方式，但不限于此。

實施例：考慮izhikevich神經(jīng)元系統(tǒng)

式中，v：＝v(t)表示神經(jīng)元膜電壓，u：＝u(t)為電壓恢復(fù)變量，i：＝i(t)為外部輸入電流，在該電流作用下，當膜電位v超過動作電位閾值vth＝30時，神經(jīng)元會產(chǎn)生一個峰放電，同時v被重置為c，u被重置為u+d。a、b、c、d為常數(shù)，取a＝0.02，b＝0.2，c＝-65，d＝8。

本發(fā)明方法工作流程如圖1所示，具體實施方式可以分為以下幾步：

(1)初始化神經(jīng)元模型。給定系統(tǒng)變量初始值v0＝-65、u0＝-13，令控制輸入范圍[3，6]，隨機產(chǎn)生tf＝240個離散時間控制序列i(t)(t＝1，2，…，tf)，再利用歐拉方法對神經(jīng)元系統(tǒng)進行離散化，取離散化步長為δt＝0.05。

(2)初始化種群。設(shè)定蜂群規(guī)模n＝20，采蜜蜂種群規(guī)模為ne＝10，跟 隨蜂種群規(guī)模為nf＝10，個體向量的維度為d＝tf，xi＝(ii(1)，…，ii(tf))表示搜索個體向量(這里，i＝1，2…，n)，為了敘述方便，記xi＝(xi1，…，xid)。蜂群進化代數(shù)為m＝2500，初始迭代為k＝1，根據(jù)神經(jīng)元電位離散序列計算達到動作電位閾值的控制序列能量，即種群的適應(yīng)度值

其中，t表示神經(jīng)元神經(jīng)元膜電壓v達到動作電位閾值的控制時間。

(3)按照種群適應(yīng)度大小，將蜜蜂分為采蜜蜂和跟隨蜂。

(4)更新采蜜蜂蜜源。對于每只采蜜蜂，在原蜜源附近采蜜，按下式

vij＝xij+r(xij-xhj)

產(chǎn)生新的蜜源，式中i，h＝1，2…，n，h≠i，j＝1，2…，d，r是[-1，1]之間的隨機數(shù)，將獲得的新蜜源(即控制序列)作用于神經(jīng)元系統(tǒng)，獲得達到動作電位閾值的控制序列，并計算適應(yīng)度值，若其適應(yīng)度值更高，則取代原蜜源；否則放棄此蜜源。

(5)更新跟隨蜂的狀態(tài)。對于每只跟隨蜂，按照與采蜜蜂種群適應(yīng)度值成比例的的概率選擇一個采蜜蜂，并在其鄰域內(nèi)根據(jù)下式

vij＝λxij+c1r1(pij-xij)+c2r2(gj-xij)

產(chǎn)生新的蜜源，式中λ是遺忘因子，表示搜索下一個蜜源時對當前蜜源的記憶強度，pij表示每只蜜蜂自身的歷史最好位置，即個體極值，gj表示所有蜜蜂的歷史最好位置，即全局最優(yōu)解，r1和r2是[-1，1]之間的隨機數(shù)，c1，c2表示學(xué)習(xí)因子，c1＝1/(1+k⁰²⁵)，c2＝k/m，用于調(diào)整蜜蜂自身經(jīng)驗和社會群體經(jīng)驗在整個尋優(yōu)過程中所起的作用的參數(shù)。若新產(chǎn)生的蜜源適應(yīng)度值更高，則跟隨蜂變成采蜜蜂，并取代原蜜源位置。

(6)記錄種群最終更新后的個體極值、全局最優(yōu)解以及最優(yōu)適應(yīng)度值。

(7)記錄每只采蜜蜂覓食同一蜜源的次數(shù)，當覓食同一蜜源的次數(shù)超過臨界閾值時，該采蜜蜂退化為跟隨蜂，并重新隨機初始化其位置。

(8)如果滿足終止條件，則停止計算并輸出最優(yōu)適應(yīng)度值及相應(yīng)的參數(shù)xbest(即最優(yōu)控制序列)；否則，k：＝k+1，轉(zhuǎn)(4)。

圖2顯示了基于本發(fā)明方案的最優(yōu)控制序列。在該最優(yōu)控制序列作用下，最少控制能量為3.89。圖3顯示了神經(jīng)元膜電壓v的變化曲線。圖4顯示了基于本發(fā)明方案的蜂群算法控制能量迭代過程圖。

上面對本發(fā)明所述基于改進蜂群算法的神經(jīng)系統(tǒng)最少能量控制技術(shù)進行了詳細的說明，但本發(fā)明的具體實現(xiàn)形式并不局限于此。對本技術(shù)領(lǐng)域的一般技術(shù)人員來說，在不背離本發(fā)明所述方法的精神和權(quán)利要求范圍的情況下對它進行的各種顯而易見的改變都在本發(fā)明的保護范圍之內(nèi)。