[发明专利]基于改进蜂群算法的神经系统最少能量控制技术

说明书

技术领域

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Eugene M.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。

发明内容

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V_th＝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，…，t_f)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[I_mm，I_max]随机产生t_f个离散时间控制序列I(t)(t＝1，2，…，t_f)，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N_e，跟随蜂种群规模为N_f，个体向量的维度为D＝t_f，X_i＝(I_i(1)，…，I_i(t_f))表示搜索个体向量(这里，i＝1，2…，N)，为了叙述方便，记X_i＝(x_i1，…，x_iD)。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

v_ij＝x_ij+r(x_ij-x_hj)

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