一种基于RBF神经网络和自适应搜索的人工免疫算法制造技术

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nA个作为记忆细胞构成种群A，后nB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。本发明专利技术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。

AN ARTIFICIAL IMMUNE ALGORITHM BASED ON RBF NEURAL NETWORK AND ADAPTIVE SEARCH

An artificial immune algorithm based on RBF neural network and adaptive search includes: S1 antigen recognition; RBF neural network construction; S2 anti-antigen non-linear mapping surface construction; S3 randomly generates a certain number of initial antibody groups; S4 calculates antibody-antigen structure, and optimizes N antibodies for evaluation; S5 carries out antibody evaluation; S6 sequences antibody groups and extracts the pre-nA. Population A is made up of memory cells, and population B is made up of nB. When the termination condition of S7 is judged, the result will be output. Conversely, S8 and S8 are executed to select, cross and mutate the antibody groups in S6 except population A to form population C. After vaccination of vaccinated population B, antibody population D is formed with population A and C and transferred to S4. The invention aims to provide an artificial immune algorithm based on RBF neural network and adaptive search, which has strong local search ability, fast convergence speed, high algorithm efficiency and accuracy.

【技术实现步骤摘要】
一种基于RBF神经网络和自适应搜索的人工免疫算法
本专利技术涉及一种基于RBF神经网络和自适应搜索的人工免疫算法。
技术介绍
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。
技术实现思路
本专利技术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(RadicalBasisFunction：径向基函数)神经网络和自适应搜索的人工免疫算法。本专利技术算法也可扩展用于其它类型系统设计时的元件参数优化。本专利技术一种基于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nA个作为记忆细胞构成种群A，将后nB个作为待接种种群B，其中nA＝PcmaxN，nB＝nA，Pcmax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nc,nc＝N-nA；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。根据本专利技术的一种实施方式，所述自适应搜索算法为：Vaccine(xi)＝mcell+range(t)，i＝1，2，…，nB；range(t)＝rand·R(t)；式中：Vaccine(xi)表示对xi接种疫苗；xi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αm和αn分别为缩减半径和倍增半径；tmax为最大迭代代数，其中αm和αn的控制规则为：其中Cv表示抗体浓度。根据本专利技术的一种实施方式，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。根据本专利技术的一种实施方式：抗体浓度：其中Sv，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，kv，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]，Fv为目标函数。本专利技术一种基于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)本专利技术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)本专利技术中种群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。下面结合附图对本专利技术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专利技术，但不用来限制本专利技术的范围。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为本专利技术一种基于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4aVacc0＝6.3L时的抗体-抗原非线性RBF神经网络映射曲面；图4bVacc0＝10本文档来自技高网...

【技术保护点】
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nA个作为记忆细胞构成种群A，将后nB个作为待接种种群B，其中nA＝PcmaxN，nB＝nA，Pcmax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nc,nc＝N‑nA；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。...

【技术特征摘要】
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nA个作为记忆细胞构成种群A，将后nB个作为待接种种群B，其中nA＝PcmaxN，nB＝nA，Pcmax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nc,nc＝N-nA；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...

【专利技术属性】
技术研发人员：韩寿松，宁初明，薛大兵，李华莹，晁智强，李燕军，沈灿铎，刘毅，靳莹，王飞，江鹏程，谭永营，李勋，
申请(专利权)人：中国人民解放军陆军装甲兵学院，军事科学院系统工程研究院军需工程技术研究所，
类型：发明
国别省市：北京,11