CN101837165B - 基于遗传蚁群融合模糊控制器的助行电刺激精密控制方法 - Google Patents

Abstract

本发明涉及康复训练领域。为优化模糊控制器的量化因子、比例因子以及模糊控制规则，继而准确稳定实时地控制FES***的电流模式，并可有效地提高FES***准确性和稳定性，本发明采用的技术方案是：基于遗传蚁群融合模糊控制器的助行电刺激精密控制方法，包括下列步骤：首先将模糊控制决策变量的选择转化为遗传与蚁群算法适用的组合优化问题，并对决策变量进行编码以及随机产生n个个体组成的染色体；其次利用遗传算法产生蚁群算法中的初始信息素分布，利用蚂蚁随机搜索优化模糊控制器的隶属函数以及量化因子和比例因子；依据前述输出反复自学习与自调整过程，最终用于FES***。本发明主要应用于康复训练。

Description

基于遗传蚁群融合模糊控制器的助行电刺激精密控制方法

技术领域

本发明涉及康复训练领域，尤其是步行器受载力的测量，具体讲涉及基于遗传蚁群融合模糊控制器的助行电刺激精密控制方法。

背景技术

功能性电刺激(Functional Electrical Stimulation，FES)是通过电流脉冲序列来刺激肢体运动肌群及其外周神经，有效地恢复或重建截瘫患者的部分运动功能的技术。目前，由于脊髓再生能力微弱，针对脊髓损伤瘫痪患者，尚未有可直接修复损伤的有效医治方法，实施功能康复训练是一有效的措施。据统计，脊髓损伤瘫痪患者人数逐年增多，功能康复训练是亟待需求的技术。20世纪60年代，Liberson首次成功地利用电刺激腓神经矫正了偏瘫患者足下垂的步态，开创了功能性电刺激用于运动和感觉功能康复治疗的新途径。目前，FES已经成为了恢复或重建截瘫患者的部分运动功能，是重要的康复治疗手段。然而，如何精密控制FES的触发时序和脉冲电流强度以保证电刺激作用效果能准确完成预定的功能动作仍是FES的技术关键。据统计，目前FES的触发控制的方式研究尚少，而且根据作用效果与预定动作偏差，用闭环控制来自动调整FES刺激强度和时序参数，从而大大提高了FES***的实时性、准确性和稳定性，但是现在有效的控制方法仍然在探索之中。

模糊控制器是一种通过模糊逻辑和近似推理的方法，把人的经验形式化、模型化，变成计算机可以接受的控制模型，让计算机代替人来进行实时地控制被控对象的高级策略和新颖的技术方法，可有效地提高控制算法的可控性、适应性和合理性，尤其是针对复杂而用数学方程难于建模且有丰富手控经验的课题具有奇特的优势，而人体肌肉的复杂性和时变性操作环境使其建立其数学模型，致使传统的控制方法很难适应FES领域的严格要求，模糊控制器为FES的精密控制提供了新方案。模糊控制器核心技术就是确定模糊控制器的结构、所采用的模糊规则、合成推理算法以及模糊决策的方法等因素，模糊控制要取得最优的控制效果的关键既是对模糊控制器量化因子、比例因子以及模糊控制规则等参数的整定。在FES领域，对***稳定性要求极为严格，所以对模糊控制器参数选择亦尤为重要。本专利提出的基于遗传算法整定模糊控制器控制功能性电刺激精密控制的方法，在FES***电流水平方面可取得良好的效果。

遗传算法属于人工生物进化算法，是一种借鉴于生物界自然选择和自然遗传机制，主要特点是群体搜索策略和群体中个个体之间的信息交换，不依赖于梯度信息，特别适合对复杂的非线性问题寻优。但是对于***中的反馈信息的利用却无能为力，致使求解到一定范围时往往做大量无力的冗余迭代，求精确解效率低。蚁群算法模拟生物世界中的蚂蚁在没有任何提示下寻找由蚁穴至食物源的最短路径的觅食行为提出基于种群的模拟进化算法，具有较强的适应性，分布式并行计算，易于其他算法集成的优点，但初期信息素匮乏，求解速度慢。遗传算法和蚁群算法都具有适用范围广、通用性强等等优点，广泛应用于离散最优化问题，遗传算法和蚁群算法具有互补性有机地融合在一起，可以克服各自缺点，发挥各自优点。

发明内容

为克服现有技术的不足，本发明的目的在于，提出一种新的FES的精密控制方法，通过遗传算法和蚁群算法的融合，优势互补，优化模糊控制器的量化因子、比例因子以及模糊控制规则，继而准确稳定实时地控制FES***的电流模式，并可有效地提高FES***准确性和稳定性，并获得可观的社会效益和经济效益。为达到上述目的，本发明采用的技术方案是：基于遗传蚁群融合模糊控制器的助行电刺激精密控制方法，包括下列步骤：

首先将模糊控制的量化因子、比例因子以及隶属函数参量的12个决策变量kfuzz的选择转化为遗传与蚁群算法适用的组合优化问题，并对这12个kfuzz进行二进制编码，之后随机产生n个个体组成的初始种群P(0)，其中kfuzz为n×12的向量；

其次建立合理的实际关节角度与肌肉模型输出关节角度的相应关系目标函数以及确定蚁群算法的参数设置，利用遗传算法产生蚁群算法中的初始信息素分布，利用蚂蚁随机搜索优化模糊控制器的隶属函数以及量化因子和比例因子，并调用已整定的模糊控制器，验证是否达到预设目标，若无重复以上操作，直到参数收敛或者达到预定的指标，输出模糊控制的决策变量和蚁群运行的次数；

依据前述输出模糊控制的决策变量在模糊控制器下计算***输出及其与肌肉模型的偏差后再进入下一步的自学习与自调整，反复此过程，最终实现模糊控制器参数的自适应在线整定，并用于FES***。

所述模糊控制器为二维模糊控制器，两个输入变量分别实际输出关节角度和期望关节度的误差e(k)以及误差的变化率ec(k)，论域为FE＝[-E，E]，FEC＝[-EC，EC]，输出的刺激电流强度u(k)，其论域为FU＝[-U，U]；

误差的量化论域为X＝{-n，-n+1，…0，…，n-1，n}；(1)

误差变化率的量化论域为X1＝{-m，-m+1，…0，…，m-1，m}；(2)

控制量的量化论域为Y＝{-k，-k+1，…0，…，k-1，k}；(3)

量化因子分别为

K_e＝n/X_e；(4)

K_ec＝m/X_ec；(5)

比例因子为

K_u＝k/Y_u；(6)

误差的论论域：{-3 -2 -1 0 1 2 3}；误差变化率的论域为{-3 -2 -1 0 1 2 3}输出值的论域{-3 -2 -1 0 1 2 3}。控制规则为：如果E1且EC1则U1，如果E2且EC2则U2，……Ep且ECp则Up；

其总模糊控制规则为

R＝(E_i×CE_i)^T1οC_i    (8)

其中E₁＝(a_1i…a_ni)，EC₁＝(b_1i…b_mi)，U₁＝(c_1i…c_ti)(i＝1，…p)

采用的反模糊化法是加权平均法

$u_c=\left(\underset{i=-s}{\overset{s}{\mathrm{\Σ}}}i{k}_i\right)/\left(\underset{i=-s}{\overset{s}{\mathrm{\Σ}}}{u}_i\right)---\left(9\right)$

对于每一个具体的观察值偏差E^*和其误差变化率EC^*，再分别用各自的量化因子公式变成量化论域中的元素，再把其模糊化为E^*和EC^*，

其中E^*＝(e₁…e_n)，EC^*＝(f₁…f_m)

由公式(8)求输出的精确量。

所述将模糊控制的量化因子、比例因子以及隶属函数参量的12个决策变量的选择转化为遗传与蚁群算法适用的组合优化问题，是按如下公式进行：

K_e1＝kfuzzi(1)*K_e    (18)

K_c1＝kfuzzi(2)*K_c    (19)

K_u1＝kfuzzi(3)*K_u    (20)

对误差的隶属函数的整定即对误差论域的论域整定为：

{-3-kfuzzi(4)，-2-kfuzzi(5)，-1-kfuzzi(6)，0，1+kfuzzi(6)，2+kfuzzi(5)，3+kfuzzi(4)}

对误差变化率的隶属函数的整定即对误差变化率的论域整定为：

{-3-kfuzzi(7)，-2-kfuzzi(8)，-1-kfuzzi(9)，0，1+kfuzzi(9)，2+kfuzzi(8)，3+kfuzzi(7)}

输出电流的隶属函数的整定即对输出电流的隶属函数的论域整定为：

{-3-kfuzzi(10)，-2-kfuzzi(11)，-1-kfuzzi(12)，0，1+kfuzzi(12)，2+kfuzzi(11)，3+kfuzzi(10)}

所述利用遗传算法产生蚁群算法中的初始信息素分布，利用蚂蚁随机搜索优化模糊控制器的隶属函数以及量化因子和比例因子，前述kfuzzi既是遗传算法中染色体的编码，又是蚁群算法中城市的编码，二者编码的长度应该相等，依照

n_i＜log₂[(x_imax-x_imin)×10^m]-1(21)

n_i≥log₂[(x_imax-x_imin)×10^m+1](22)

kfuzzi编码长度

每个参数所对应的实数可以解码得到，则对应的解码公式为

$\mathrm{kfuzzi}\left(i\right)=x_{i\min }+(\underset{j=0}{\overset{l_i}{\mathrm{\Σ}}}{b}_j\×2^{j-1})\×\frac{x_{i\max }-x_{i\min }}{2^{l-1}}---\left(23\right)$

其中kfuzzi(i)为整定的模糊控制器的变化量，l_i为此参数的编码的长度，b∈[0，1]，x_imax和x_imin分别为决策量的最大值和最小值。

所述具体步骤细化为：

首先是遗传算法的定义和设置：

Step1：初始化遗传算法控制参数(种群规模，杂交概率，变异概率)；

Step2：设置遗传算法结束条件包括：最小遗传迭代次数，最大遗传迭代次数，最小进化率，连续迭代次数；

Step3：对待解决问题进行二进制编码，随机初始化种群X(0)＝(x₁，x₂，...x_n)。

Step4：对当前群体X(t)中每个个体x_i，解码计算其适应度F(x_i)。

Step5：根据个体适应值以及赌轮选择策略确定每个个体的概率，将概率高的两个个体直接遗传到下一代，按照交叉、变异算法执行交叉、变异操作。

Step6：更新新一代个体的适应值。重复Step5。

Step7：选择适应能力强的个体，放入集合中，作为最优解集合。对优化集中的每个个体，将遗传算法结果设置为蚁群算法初始信息素。

再次遗传蚁群融合算法中蚁群算法的改进，然后遗传算法相衔接，并用此融合算法整定模糊控制器参数：

Step8：信息素的初值设置：τ_S＝τ_C+τ_G，其中，τ_C是一个常数，即MMAS算法中的最小信息素，τ_G是遗传算法求解结果转化的信息素值；

Step9：参数初始化：令时间t＝0和循环次数N_max＝0，设置最大循环次数N_cmax，将m个蚂蚁置于起始点。设置蚂蚁个数和循环次数；

Step10：蚂蚁随机搜索，在一次爬行结束后，决定哪些特征变量被选中作为实际输入变量，修改禁忌表指针，即选择好之后将蚂蚁移动到新的元素，并把该元素移动该蚂蚁个体的禁忌表中；

Step11：计算适应度函数和隶属函数，蚂蚁个体状态转移概率公式计算的概率选择元素；

Step12：利用训练样本提供的信息产生模糊规则的条件，检验模糊模型的正确率；

Step13：若蚂蚁元素未遍历完，转Step10，否则为Step12；

Step14：更新信息素浓度划分正确率高的特征变量的信息素浓度得到增强，下次搜索时会以更大的概率被选中；

Step15：满足结束调节，整定结束。

本发明其特点在于：首先以模糊控制根据膝关节角度的变化实时控制功能性电刺激的电流模式，有效地解决了由于人体肌肉的复杂性和时变性所带来的难以精确控制电刺激电流模式的问题，其次利用遗传蚁群算法的良好寻优特性，实时调整模糊控制器的量化因子、比例因子以及隶属函数参数，继而更精确的控制功能性电刺激的电流模式，既能完成理想的刺激效果，又能防止疲劳，可使功能性电刺激***得到广泛推广，并获得可观的社会效益和经济效益。

附图说明

图1遗传蚁群算法收敛速度图。

图2遗传蚁群融合算法整定模糊控制器参数的结构框图

图3实验场景图。

图4遗传蚁群算法自适应优化整定的模糊控制器追踪结果图。

图5遗传蚁群算法整定模糊控制器参数控制下预设输入关节角度与实际输出的相对误差。

具体实施方式

基于遗传蚁群融合模糊控制的助行功能性电刺激精密控制方法的应用的结构如图2所示。其工作流程为：首先将模糊控制的量化因子、比例因子以及隶属函数参量的12个决策变量的选择转化为遗传与蚁群算法适用的组合优化问题，并对其进行编码以及随机产生n个个体组成的染色体(初始种群)，其次建立合理的实际关节角度与肌肉模型输出关节角度的相应关系函数以及确定蚁群算法的参数设置，充分利用遗传算法的快速性、随机性、全局收敛性，其结果是产生蚁群算法中的初始信息素分布，利用蚂蚁随机搜素使其变量优化模糊控制器的隶属函数以及量化因子和比例因子，并调用已整定的模糊控制器，验证是否达到预设目标，若无则重复以上操作，直到参数收敛或者达到预定的指标；最终输出即得模糊控制的决策变量和蚁群运行的次数。在新的模糊控制器下计算***输出及其与肌肉模型的偏差后再进入下一步的自学习与自调整。反复此过程，最终实现模糊控制器参数的自适应在线整定，并用于FES***。

1 模糊控制设计

由于人的特殊性，FES领域对控制器稳定性，、鲁棒性、实时性要求严格，设计模糊控制器均衡稳定性和实时性选择了二维模糊控制器，即两个输入变量分别实际输出关节角度和期望关节度的误差e(k)以及误差的变化率ec(k)，其论域为FE＝[-E，E]，FEC＝[-EC，EC]，输出的刺激电流强度u(k)，其论域为FU＝[-U，U]。

误差的量化论域为

X＝{-n，-n+1，…0，…，n-1，n}(1)

误差变化率的量化论域为

X₁＝{-m，-m+1，…0，…，m-1，m}；(2)

控制量的量化论域为

Y＝{-k，-k+1，…0，…，k-1，k}(3)

量化因子分别为

K_e＝n/X_e    (4)

K_ec＝m/X_ec  (5)

比例因子为

K_u＝k/Y_u(6)

 本专利采用误差的论论域：{-3 -2 -1 0 1 2 3}；误差变化率的论域为{-3 -2 -1 0 1 2 3}输出值的论域{-3 -2 -1 0 1 2 3}。控制规则为：如果E1且EC1则U1，如果E2且EC2则U2，……Ep且ECp则Up；

其总模糊控制规则为

R＝(E_i×CE_i)^T1οC_i    (8)

其中E₁＝(a_1i…a_ni)，EC₁＝(b_1i…b_mi)，U₁＝(c_1i…c_ti)(i＝1，…p)

采用的反模糊化法是加权平均法

(9)

对于每一个具体的观察值偏差E^*和其误差变化率EC^*，再分别用各自的量化因子公式变成量化论域中的元素，再把其模糊化为E^*和EC^*，

其中E^*＝(e₁…e_n)，EC^*＝(f₁…f_m)

有公式8可以求输出的精确量。

本专利角度误差及其误差变化率在[-90 90]上，论域为[-3 3]，则可以用公式

$X=\left(\frac{2n}{b-a}(x^{\′}-\frac{a+b}{2})\right)---\left(11\right)$

5.2遗传和蚁群融合算法整定模糊控制器参数

蚁群算法是一种源于大自然生物世界的新型仿生算法，用蚁群算法求解最优化问题时，首先将最优化问题转化为了求解最短路径问题。每只蚂蚁从初始接点N₀₀或N₀₁出发，顺序走过N₁，N₂…，的其中一子结点，直到终结点N_k0、N_k1组成路径(N_0t N_1t…N_kt)，t∈[0，1]。其路径可代表一个二进制的可行解。每次蚂蚁访问城市时有以下的特征：

状态转化规则：蚁群算法使用的状态转化规则为基于TSP问题提出的随机比例规则，它给出位于城市i的蚂蚁k选择移动到城市j的概率，

其中τ_ij(i，j)为(i，j)的适应度，η_ij(i，j)为距离的倒数。α为残留信息的相对重要程度、β为期望值的相对重要程度。

在蚁群算法中，选择方式为

其中，q为均匀分布在[0，1]上的一个随机数，q₀为[0，1]上的参变量。

全局更新规则：蚂蚁算法有不同的更新算法，蚁群***采用的全局更新原则，只允许全局最优解的蚂蚁释放信息素，这样是为了使蚂蚁的搜索主要集中在当前循环为止所找出的最好路径的邻域。

τ_ij(i，j)←(1-ρ)□τ_ij(i，j)+ρ·Δτ_ij(i，j)(14)

其中ρ为信息数挥发系数，L_gb为目前为止找到的全局最优路径局部更新信息：每只蚂蚁建立一个解的过程中也有进行信息数素迹的更新

τ_ij(i，j)←(1-γ)τ_ij(i，j)+γ·Δτ_ij(i，j)(16)

其中γ∈[0，1]。

利用功能性电刺激刺激肌肉使其完成相应的动作时，电流不能过激或者应该快速使肌肉完成动作，电流过激超过人的阈值，则会感觉到疼痛，有时难以忍受，并易引起肌疲劳，所以快速整定模糊控制器的相关参数尤其重要。故利用遗传算法和蚁群算法优点相结合，提高优化的效率，快速整定模糊控制器的相关参数。利用遗传蚁群模糊控制器既是利用遗传蚁群融合算法整定模糊控制的量化因子、比例因子和模糊规则中隶属函数的分布。如下公式所示

K_e1＝kfuzzi(1)*K_e    (18)

K_c1＝kfuzzi(2)*K_c    (19)

K_u1＝kfuzzi(3)*K_u    (20)

对误差的隶属函数的整定即对误差论域的论域整定为

{-3-kfuzzi(4)，-2-kfuzzi(5)，-1-kfuzzi(6)，0，1+kfuzzi(6)，2+kfuzzi(5)，3+kfuzzi(4)}

对误差变化率的隶属函数的整定即对误差变化率的论域整定为

{-3-kfuzzi(7)，-2-kfuzzi(8)，-1-kfuzzi(9)，0，1+kfuzzi(9)，2+kfuzzi(8)，3+kfuzzi(7)}

输出电流的隶属函数的整定即对输出电流的隶属函数的论域整定为

{-3-kfuzzi(10)，-2-kfuzzi(11)，-1-kfuzzi(12)，0，1+kfuzzi(12)，2+kfuzzi(11)，3+kfuzzi(10)}

其中kfuzzi既是遗传算法中染色体的编码，又是蚁群算法中城市的编码，为了使二者更好地融合都采用二进制编码，再融合算法中kfuzzi不变，所以二者编码的长度应该相等，应该依照

n_i＜log₂[(x_imax-x_imin)×10^m]-1(21)

n_i≥log₂[(x_imax-x_imin)×10^m+1](22)

kfuzzi编码长度

每个参数所对应的实数可以解码得到，则对应的解码公式为

$\mathrm{kfuzzi}\left(i\right)=x_{i\min }+(\underset{j=0}{\overset{l_i}{\mathrm{\Σ}}}{b}_j\×2^{j-1})\×\frac{x_{i\max }-x_{i\min }}{2^{l-1}}---\left(23\right)$

其中kfuzzi(i)为整定的模糊控制器的变化量，l_i为此参数的编码的长度，b∈[0，1]，x_imax和x_imin分别为决策量的最大值和最小值。

首先是遗传算法的定义和设置：

Step1：初始化遗传算法控制参数(种群规模，杂交概率，变异概率)。

Step2：设置遗传算法结束条件(最小遗传迭代次数，最大遗传迭代次数，最小进化率，连续迭代次数)。

Step3：对待解决问题进行二进制编码，随机初始化种群X(0)＝(x₁，x₂，...x_n)。

Step4：对当前群体X(t)中每个个体x_i，解码计算其适应度F(x_i)。

Step5：根据个体适应值以及赌轮选择策略确定每个个体的概率，将概率高的两个个体直接遗传到下一代，按照交叉、变异算法执行交叉、变异操作。

Step6：更新新一代个体的适应值。重复Step5。

Step7：选择适应能力强的个体，放入集合中，作为最优解集合。对优化集中的每个个体，将遗传算法结果设置为蚁群算法初始信息素。

再次遗传蚁群融合算法中蚁群算法的改进，然后遗传算法相衔接，并用此融合算法整定模糊控制器参数：

Step8：信息素的初值设置：τ_S＝τ_C+τ_G，其中，τ_C是一个常数，即蚁群MMAS算法中的最小信息素，τ_G是遗传算法求解结果转化的信息素值。

Step9：参数初始化：令时间t＝0和循环次数N_max＝0，设置最大循环次数N_cmax，将m个蚂蚁置于起始点。设置蚂蚁个数和循环次数。

Step10：蚂蚁随机搜索，在一次爬行结束后，决定哪些特征变量被选中作为实际输入变量，修改禁忌表指针，即选择好之后将蚂蚁移动到新的元素，并把该元素移动该蚂蚁个体的禁忌表中。

Step11：计算适应度函数和隶属函数，蚂蚁个体状态转移概率公式计算的概率选择元素。

Step12：利用训练样本提供的信息产生模糊规则的条件，检验模糊模型的正确率。

Step13：若蚂蚁元素未遍历完，转Step10，否则为Step12

Step14：更新信息素浓度划分正确率高的特征变量的信息素浓度得到增强，下次搜索时会以更大的概率被选中。

Step15：满足结束调节，整定结束。

其中，遗传和蚁群共用适应度函数，肌肉特性特别复杂而且人承受能力有限，这要求衡量控制***三个指标为稳定性、准确性和快速性，为了更好使控制偏差趋于零，有较快的响应速度和较小的超调量，因此适应度函数应把最优预测与期望值的反馈偏差e(t)，偏差的变化率ec(t)和控制量u(t)的关系，作为参数选取的最优指标J

$J={\∫}_0^t{w}_1{e}^2\left(t\right)+w_2{u}^2\left(t\right)+w_3{\left(\mathrm{ec}\left(t\right)\right)}^2\mathrm{dt}---\left(14\right)$

其中，w₁，w₂和w₃是权值，一般都取w₁＝100，w₂＝10，w₃＝1。

适度函数为

F＝C/J    (15)

其中，C＝10ⁿ(n为整数)，当个体的是适应度相差较大时，n≤0；相差较小时，n≥0。

2 实验方案

实验装置采用美国SIGMEDICS公司生产的Parastep功能性电刺激助行***以及PASCO公司PS-2137量角器和Data Studio软件。Parastep***包含微处理器和刺激脉冲发生电路，含六条刺激通道，电池供电。实验内容为：利用FES***对下肢相关肌群进行刺激，利用PASCO公司PS-2137量角器采集膝关节角度和Data Studio软件记录所测量的膝关节角度。要求受试者身体健康，无下肢肌肉、骨骼疾患，无神经疾患及严重心肺疾患。实验时受试者安坐于测试台上，将刺激电极固定于股四头肌的两端位置，将量角器固定在大腿和小腿上，使关节活动点贴近膝关节活动点位置。未施加电刺激时小腿放松、保持垂直悬空状态，FES实验场景如图3所示。电刺激脉冲序列采用经典的Lilly波形，脉冲频率为25Hz、脉宽150μs，脉冲电流在0～120m范围内可调。实验中可通过改变脉冲电流大小来调整刺激强度以改变由刺激产生的膝关节角度。实验前，设定期望的膝关节角度运动轨迹，实验中利用角度测量计实时检测膝关节张角变化。实验数据采样率为128Hz，数据记录时长为60s。

有益效果

遗传蚁群融合整定的模糊控制器参数新算法对FES脉冲电流幅值进行测算和调整，使FES作用所产生的膝关节角度运动贴近预期的运动轨迹。图4为遗传蚁群算法自适应优化整定的模糊控制器追踪结果。图中红线表示预期运动轨迹、蓝线为实际输出关节角度。X轴为时间，Y轴为膝关节运动角度。为更清楚地观察此算法整定模糊控制器的控制误差，如图5遗传蚁群融合算法整定模糊控制下预设输入膝关节角度与实际膝关节角度的相对误差所示，则可以看出误差均在3％之内，可以达到精确的控制。

本发明的主旨是提出一种新的FES的精密控制方法，通过遗传蚁群融合算法整定模糊控制器参数，继而准确稳定实时地有效地控制FES***的电流强度。该项发明可有效地提高FES***实时性、准确性和稳定性，并获得可观的社会效益和经济效益。最佳实施方案拟采用专利转让、技术合作或产品开发。

Claims (3)

1.一种基于遗传蚁群融合模糊控制器的助行电刺激精密控制方法，其特征是，包括下列步骤：首先将模糊控制的量化因子、比例因子以及隶属函数参量的12个决策变量kfuzzi的选择转化为遗传与蚁群算法适用的组合优化问题，并对这12个kfuzzi进行二进制编码，之后随机产生n个个体组成的初始种群P(0)，其中kfuzzi为n×12的向量；所述将模糊控制的量化因子、比例因子以及隶属函数参量的12个决策变量的选择转化为遗传与蚁群算法适用的组合优化问题，是按如下公式进行：

K_e1＝kfuzzi(1)*K_e    (18)

K_c1＝kfuzzi(2)*K_c    (19)

K_u1＝kfuzzi(3)*K_u    (20)

对误差的隶属函数的整定即对误差论域的论域整定为：

{-3-kfuzzi(4)，-2-kfuzzi(5)，-1-kfuzzi(6)，0，1+kfuzzi(6)，2+kfuzzi(5)，3+kfuzzi(4)}

对误差变化率的隶属函数的整定即对误差变化率的论域整定为：

{-3-kfuzzi(7)，-2-kfuzzi(8)，-1-kfuzzi(9)，0，1+kfuzzi(9)，2+kfuzzi(8)，3+kfuzzi(7)}

输出电流的隶属函数的整定即对输出电流的隶属函数的论域整定为：

{-3-kfuzzi(10)，-2-kfuzzi(11)，-1-kfuzzi(12)，0，1+kfuzzi(12)，2+kfuzzi(11)，3+kfuzzi(10)}

所述利用遗传算法产生蚁群算法中的初始信息素分布，利用蚂蚁随机搜索优化模糊控制器的隶属函数以及量化因子和比例因子，前述kfuzzi既是遗传算法中染色体的编码，又是蚁群算法中城市的编码，二者编码的长度应该相等，依照

n_i＜log₂[(x_imax-x_imin)×10^m]-1(21)

n_i≥log₂[(x_imax-x_imin)×10^m+1](22)

kfuzzi编码长度

每个参数所对应的实数可以解码得到，则对应的解码公式为

$\mathrm{kfuzzi}\left(i\right)=x_{i\min }+(\underset{j=0}{\overset{l_i}{\mathrm{\Σ}}}{b}_j\×2^{j-1})\×\frac{x_{i\max }-x_{i\min }}{2^{l-1}}---\left(23\right)$

其中kfuzzi(i)为整定的模糊控制器的变化量，l_i为此参数的编码的长度，b∈[0，1]，x_imax和x_imin分别为决策量的最大值和最小值；

其次建立合理的实际关节角度与肌肉模型输出关节角度的相应关系目标函数以及确定蚁群算法的参数设置，利用遗传算法产生蚁群算法中的初始信息素分布，利用蚂蚁随机搜索优化模糊控制器的隶属函数以及量化因子和比例因子，并调用已整定的模糊控制器，验证是否达到预设目标，若无重复以上操作，直到参数收敛或者达到预定的指标，输出模糊控制的决策变量和蚁群运行的次数；

依据前述输出模糊控制的决策变量在模糊控制器下计算***输出及其与肌肉模型的偏差后再进入下一步的自学习与自调整，反复此过程，最终实现模糊控制器参数的自适应在线整定，并用于FES***。

2.根据权利要求1所述的一种基于遗传蚁群融合模糊控制器的助行电刺激精密控制方法，其特征是，所述模糊控制器为二维模糊控制器，两个输入变量分别为实际输出关节角度和期望关节度的误差e(k)以及误差的变化率ec(k)，论域为FE＝[-E，E]，FEC＝[-EC，EC]，输出的刺激电流强度u(k)，其论域为FU＝[-U，U]；

误差的量化论域为X＝{-n，-n+1，…0，…，n-1，n}；(1)

误差变化率的量化论域为X₁＝{-m，-m+1，…0，…，m-1，m}；(2)

控制量的量化论域为Y＝{-k，-k+1，…0，…，k-1，k}；(3)

量化因子分别为

K_e＝n/X_e；(4)

K_ec＝m/X_ec；(5)

比例因子为

K_u＝k/Y_u；(6)

误差的论域：{-3 -2 -1 0 1 2 3}；误差变化率的论域为{-3 -2 -1 0 1 2 3}输出值的论域{-3 -2 -1 0 1 2 3}，控制规则为：如果E1且EC1则U1，如果E2且EC2则U2，……Ep且ECp则Up；

其总模糊控制规则为

R＝(E_i×EC_i)^T1οC_i    (8)

其中E₁＝(a_1i…a_ni)，EC₁＝(b_1i…b_mi)，U₁(c_1i…c_ti)(i＝1，…p)

采用的反模糊化法是加权平均法

对于每一个具体的观察值偏差E^*和其误差变化率EC^*，再分别用各自的量化因子公式变成量化论域中的元素，再把其模糊化为E^*和EC^*，

其中E^*＝(e₁…e_n)，EC^*＝(f₁…f_m)

由公式(8)和公式(9)求输出的精确值。

3.根据权利要求1所述的一种基于遗传蚁群融合模糊控制器的助行电刺激精密控制方法，其特征是，所述步骤细化为：

首先是遗传算法的定义和设置：

Step1：初始化遗传算法控制参数：种群规模，杂交概率，变异概率；

Step2：设置遗传算法结束条件包括：最小遗传迭代次数，最大遗传迭代次数，最小进化率，连续迭代次数；

Step3：对待解决问题进行二进制编码，随机初始化种群X(0)＝(x₁，x₂，...x_n)；

Step4：对当前群体X(t)中每个个体x_i，解码计算其适应度F(x_i)；

Step5：根据个体适应值以及赌轮选择策略确定每个个体的概率，将概率高的两个个体直接遗传到下一代，按照交叉、变异算法执行交叉、变异操作；

Step6：更新新一代个体的适应值，重复Step5；

Step7：选择适应能力强的个体，放入集合中，作为最优解集合，对优化集中的每个个体，将遗传算法结果设置为蚁群算法初始信息素；

再次遗传蚁群融合算法中蚁群算法的改进，然后遗传算法相衔接，并用此融合算法整定模糊控制器参数：

Step8：信息素的初值设置：τ_S＝τ_C+τ_G，其中，τ_C是一个常数，即MMAS算法中的最小信息素，τ_G是遗传算法求解结果转化的信息素值；

Step9：参数初始化：令时间t＝0和循环次数N_max＝0，设置最大循环次数N_cmax，将m个蚂蚁置于起始点，设置蚂蚁个数和循环次数；

Step10：蚂蚁随机搜索，在一次爬行结束后，决定哪些特征变量被选中作为实际输入变量，修改禁忌表指针，即选择好之后将蚂蚁移动到新的元素，并把该元素移动到蚂蚁个体的禁忌表中；

Step11：计算适应度函数和隶属函数，蚂蚁个体状态转移概率公式计算的概率选择元素；

Step12：利用训练样本提供的信息产生模糊规则的条件，检验模糊模型的正确率；

Step13：若蚂蚁元素未遍历完，转Step10，否则为Step14；

Step14：更新信息素浓度划分正确率高的特征变量的信息素浓度得到增强，下次搜索时会以更大的概率被选中；

Step15：满足结束条件，整定结束。

Images