（热能工程专业论文）基于人工免疫的过热汽温多模型控制研究.pdf

摘要 摘要 电厂热1 过程的动态特性与整个机组的运行工况密切相关。对于调峰机组，当负荷变化时机组 的过程模型甚至结构参数都具有明显的快时变特性。对于这类对象用鲁棒控制方案、自适应控制方 案都难以取得满意的控制效果，多模型控制是针对这类对象而提出的一种控制方案。 由于生物免疫系统具有多样性、分布性、鲁棒性、自适应性、免疫记忆等等优良特性，本文从 两个不同的角度将人工免疫原理引入到多模型控制中，用以改进多模型控制。论文的具体内容如下： l 、回顾了多模型控制和人工免疫工程产生、发展、应用的历史；总结了多模型控制的几种研究 方法，展望了多模型控制今后的主要研究方向；着重阐述了人工免疫原理在过程控制中的应用途径 和已取得的成果，并对人工免疫在控制中的进一步应用作出了展望。 2 、根据免疫响应的特性和免疫细胞的结构，提出一种纯粹免疫意义上的算法，用多峰函数分 析了算法的性能。将该算法应用到多模型控制的模型辨识和控制器参数整定中，优化模型集中各子 模型的控制，从算法的角度实现人工免疫和多模型控制的结合。由于论文提出的算法具有普遍适用 性，所以算法也可以应用到其他领域。 3 、用论文提出的免疫算法辨识模型和调整控制器参数达到局部模型控制的优化；以过热汽温 为对象深入研究了多模型控制方法，设计出平滑切换策略，并证明了切换的稳定性；针对实际运行 中可能出现的频繁切换，设计了切换滞后策略。 4 、鉴于免疫网络理论还不成熟，用神经网络模拟免疫特性、构造出具有免疫特性的多模型控制 器，并将此多模型控制器应用到具体的对象中。为多模型控制向智能化方向的发展提供了一条新的 途径。 最后，论文给出后继工作的方向和内容 关键词：多模型控制鲁捧控制自适应控制人工免疫过热汽温神经阿络平滑切换 a b s t r a c t a b s t r a c t d y n a m i cc h a r a c t e r i s t i co fp o w e rp l a n tt h e r m a lp r o c e s si s c l o s er e l a t e dw i t ho p e r a t i o nc o n d i t i o n so f p o w e r u n i t f o rp e a kl o a du n i t ，i t sp r o c e s sm o d e la n ds t r u c t u r ep a r a m e t e r sh a v eo b v i o u s l yf a s tt i m e v a r y i n g c h a r a c t e r i s t i cw h i l el o a dc h a n g i n g i tc a n n o tg e ts a t i s f a c t o r yc o n t r o lr e s u l tu s i n gr o b u s to ra d a p t i v ec o n t r o l s c h e m ef o rc o n t r o l l e do b j e c t so f t h i ss o r t m u l t i - m o d e la d a p t i v ec o n t r o ls c h e m ei se x c l u s i v e l yd e s i g n e df o r t h i ss o r to fo b j e c t s b i o l o g i c a l i m m u n e s y s t e m h a sb e e n p r o v e n t ob eo f d i v e r s i t y , m a s s i v e d i s t r i b u t i o n ， r o b u s t n e s s ，a d a p t m i o n ，i m m u n em e m o r ye t c i nt h i sp a p e r , a r t i f i c i a l i m m u n ep r i n c i p l e sa r ei n t r o d u c e dt o m u l t i p l em o d e la d a p t i v ec o n t r o lf r o mt w od i f f e r e n ta n g l e sf o ri m p r o v i n gm u l t i - m o d e l c o n t r 0 1 t h em a i n c o n t e n t so f t h i sp a p e ra r ea sf o l l o w s ： 1 r e v i e w i n gt h eh i s t o r yo fg e n e r a t i o n ，d e v e l o p m e n t ，a p p l i c a t i o no fm u l t i - m o d e la d a p t i v ec o n t r o la n d a r t i f i c i a li m m u n e ；s u m m a r i z i n gs o m er e s e a r c hm e t h o d so fm u l t i - m o d e la d a p t i v ea n dp r o s p e c t i n gc h i e f d i r e c t i o no ff u t u r er e s e a r c ho fm u l t i m o d e la d a p t i v ec o n t r o l ；i n t r o d u i n ga p p r o a c h e sa n da c h i e v e m e n t so f a r t i f i c i a li m m u n ea p p l i c a t i o n si np r o c e s sc o n t r o la n dp r o s p e c t i n gf u r t h e ra r t i f i c i a li m m u n ea p p l i c a t i o n si n p r o c e s sc o n t r 0 1 2b a s e do nc h a r a t e r i s t i co fi m m u n er e s p o n s ea n di m m u n ec e l l s s t r u c t u r e s ，an e wp u r ei m m u n e a l g o r i t h mi sp r e s e n t e da n db ev a l i d a t e db yam u l t i mo d a lf u n c t i o n t h ea l g o r i t h mt h i sp a p e rp r e s e n ti s a p p l i e dt o m o d e li d e n t i f i c a t i o na n dc o n t r o l l e r sp a r a m e t e r st u n i n gt oo p t i m i z i n ge a c hm o d e lc o n t r o lo f m o d e lc l a s s ，w h i c ho p t i m i z em u l t i m o d e la d a p t i v ec o n t r o lf r o ma l g o r i t h ma n g l e t h ea l g o r i t h mc a r lb e a p p l i e dt oo t h e ra r e a sb e c a u s e o fi t sg e n e r a la p p l i c a b i l i t y 3 i nm u l t i - m o d e la d a p t i v ec o n t r o l ，m o d e li d e n t i f i c a t i o na n dc o n t r o l l e r sp a r a m e t e r st u n i n ga r ed o n e b y t h ea l g o r i t h mt h i sp a p e rp r e s e n ti nc h a p t e r2 m u l t i m o d e lc o n t r o lm e t h o d si sr e s e a r c h e dc o m b i n e dw i t h s u p e r h e a t e ds t e a m as m o o t hs w i t c h i n gs c h e m eh a sb e e nd e s i g n e da n di t ss t a b i l i t y h a sb e e np r o v e d c o n s i d e r i n gf i e q u e n ts w i t c h i n gm a yb eh a p p e n i n gi np r a c t i c a lr u n n i n gc o n d i t i o n s ，as c h e m en a m e d s w i t c h i n gd e l a yi sd e s i g n e d 4b e c a u s eo fi m m u n en e t w o r k sj u v e n i l i t y , u s i n gn e u r a ln e t w o r kt h a t s i m u l a t i n gi m m u n et r a i t c o n s t r u c tm u l t i m o d e lc o n t r o l l e r , w h i c hd e v e l o pan e w w a y f o rm u l t i - m o d e lc o n t r o lb e i n g i n t e l l i g e n t i z e d k e y w o r d ： s u p e r h e a t e ds t e a m m u l t i m o d e lc o n t r o lr o b u s tc o n t r o l a d a p t i v e c o n t r o la r t i f i c i a li m m u n e n e u r a in e t w o r ks m o o t h s w i t c h i n g l i 东南大学学位论文独创- 性声明 本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研究成 果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表 或撰写过的研究成果，也不包含为获得东南大学或其它教育机构的学位或证书而使用过 的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并 表示了谢意。 研究生签名：壶兰蕴尘 日 期山q 丝：17 东南大学学位论文使用授权声明 东南大学、中国科学技术信息研究所、国家图书馆有权保留本人所送交学位论文的 复印件和电子文档，可以采用影印、缩印或其他复制手段保存论文。本人电子文档的内 容和纸质论文的内容相一致。除在保密期内的保密论文外，允许论文被查阅和借阅，可 以公布( 包括刊登) 论文的全部或部分内容。论文的公布( 包括刊登) 授权东南大学研 究生院办理。 研究生签名：趁叠兰导师签名：渔塑丑日期：。垮，叼 东南大学硕士学位论文 第一章绪论 1 1 选题背景 传统的自适应控制器设计往往基于一个参数固定或慢时变的系统模型。随着控制理论的发展和 实际过程控制的需要，要求人们设计出适合于复杂系统( 如系统故障、子系统动态变化、传感器或 执行器故障、外部扰动、系统参数出现大的变化等等) 的控制器。对于这种复杂的被控系统，利用 常规的自适应控制器进行控制往往效果不好，因为系统从一种操作环境变化到另一种操作环境，系 统的参数将产生很大变化，这时常规自适应控制器中的辨识器难于跟随参数的实际变化，造成模型 不准确，从而基于此模型而设计的控制器性能不佳。即使是慢时变系统，多模型控制与白适应控制 相比也有自身特有的优点，多模型控制不需要在线辨识对象、不需要实时调整控制器，因此控制器 较自适应系统简单。 利用多个模型逼近系统动态性能，再基于多个模型设计i ：t ：1 多个控制器，构造出多模型控制器。 这种控制器对复杂系统能达到较好的控制精度、跟踪速度以及稳定性。 用户用电量的变化导致发电机组2 4 小时内的负荷设定值不断变化，通常需要在凌晨大幅度升负 荷，在夜间大幅度将负荷：热工对象的动态特性随着运行工况的变化而变化，对于调峰机组，当负 荷变化时机组的过程模型具有明显的快时变特性。对被控对象动态特性变化范围较大的系统，用多 个模型覆盖对象的不确定性而构成的多模型控制是一种简洁、有效的控制方案。 人类和其他生物的免疫系统是一个有许多执行免疫功能的器官、组织、细胞和分子等组成的复 杂系统，其主要功能是识别并清除从体外入侵的病原体及其产生的毒素和体内因基因突变产生的肿 瘤细胞，实现免疫防卫功能。人工免疫是对生物免疫系统的模拟，它具备强大的信息处理能力。人 工免疫工程的工作就是把免疫系统的特点如独特性、外来物的识别、增强学习和记忆、多样性、自 适应性等引入工程领域。目前免疫的概念已引入到计算机网络安全、建模、算法、数据挖掘、模式 识别、控制等各个方面。 多模型控制虽然取得了很大的理论成果和许多成功的应用，但有许多方面还需要发展和完善， 例如，模型子集的确定和优化、非线性对象的多模型控制、局部模型和控制器的优化、多模型控制 的智能化等等。生物免疫系统提供了解决这些问题的方法、原理和线索，例如可以借鉴抗体的种类 和浓度随外界环境的改变而动态改变的这一特点来优化模型子集；研究免疫系统对人体这一复杂非 线性对象的控制方法和原理，并将此方法和原理应用到工程领域中，发展完善对非线性对象的多模 型控制：用免疫算法优化局部模型的控制；根据免疫响应的自适应性和鲁棒性改善多模型控制的性 能等等，所以将人工免疫和多模型控制结合起来是一项既有理论意义又有实际价值的工作。 借鉴免疫相应的特性，论文从不同的角度将人工免疫引入到多模型控制中，优化了控制陡能， 发展了多模型控制，实现了人工免疫和多模型控制的结合。 论文选择典型的热工控制系统一过热汽温控制系统作为研究对象，具有典型性和普遍性，其原 理和方法也可以应用或借鉴到其他对象的多模型控制系统中去。 论文的选题来源于教育部博士点基金项目“基于免疫信息处理机理的热工过程控制系统研究”。 第一章绪论 论文中有两部分内容与该基金项目有关提出一种完全基于免疫原理的算法，并将此算法应用到多 模型控制中的模型辨识和控制器整定中将免疫的概念引入到神经网络多模型控制器的设计中。 1 2多模型控制原理、发展、研究现状和实际应用 多模型自适应控制m m a c ( m u l t i m o d e la d a p t i v ec o n t r 0 1 ) 于2 0 世纪7 0 年代研制成功，并在 9 0 年代再度成为白适应控制的个研究热点。它具有如下特点：( 1 ) 根据被控对象结构及参数的不 确定性对被控系统建立多个模型，覆盖其不确定性( 这里的覆盖是指对被控对象在不同工况内输入 输出动态特性或系统结构和参数的覆盖) 。( 2 ) 基于切换原则，选择描述当前被控对象的有效模型进 行多模型自适应控制器的设计。( 3 ) 常规的自适应控制器设计方法仍可以被用来设计多模型白适应 控制器。从以上特点可以看出，多模型控制是对传统自适应控制方法的一种推广，其目的在于能对 各种复杂的、高度不确定的、含跳变参数的系统给出一种行之有效的控制方案。由于多模型控制固 有的特点，近十几年来在自动控制领域备受关注，取得了很多理论研究成果。在实际中也得到了成 功的应用。 在介绍多模型自适应控制之前，有必要对多模型自适应控制的基本原理作一描述。 1 2 1m m a c 控制的基本原理 1 、线性系统m m a c 控制的基本原理 线性系统多模型自适应控制系统基本上由以下三个部分组成。 a 根据被控对象模型参数、结构的不确定性对被控对象建立多个模型，构成多模型集合 q = f m ，l f = 1 , 2 ，珂1 ，其中q 表示一个以模型m 为元素的模型集，这个模型集可以理解为一 个广义的模型集，m 可表示系统模型，也可以表示不同的状态反馈矩阵、误差落在不同局部区域 或一个复杂工业过程的不同操作工序。 b 根据模型集合q 中的不同模型建立多个控制器，构成控制器集合 c = u i f = 1 , 2 ， ) ，其中c 为基于q 设计的控制器集台，u i 为基于m ，而设计的控制器。 c 给定控制器输出的方案，或以加权组合或以切换的方式得到控制器最后的输出 u ，。= f ( u 。，u ：，u ，口) ，其中f 为一线性或非线性的函数，口为一参数向量。函数f 可表 示为不同的形式。 m m a c 模型集的建立 多模型自适应控制是以多个模型来逼近系统的不确定性，在多模型的基础上建立控制器因此 模型集的建立、元素模型的多少直接影响控制的精度和陛能。 早期的基于概率加权的多模型控制大多基于这样一个前提条件，即已知被控系统的模型参数只 在一个元素不多的参数集合中变化，这样就可以用有限个模型来描述系统。这主要应用于实际过程 中被控系统参数变化、扰动变化在一些离散值上的情况。 在实际问题中，由于被控系统的外部环境和系统模型的参数变化很大，用少量的模型不足以描 述，因此导致了模型个数和控制精度这对矛盾的出现。模型个数少，系统就无法精确描述：模型个 数多，就有很大部分模型和当前模型相差甚远，造成控制器在计算上的浪费。而且“多余”模型的 “过多竞争”也会降低控制器的性能。 模型集的优化有以下一些方案。 a 移动子集法。其主要思想是每一时刻只基于模型集中一子集构造控制器，并随时动态调整此 子集使其能覆盖被控对象“真实”模型参数。而要移动和调整这一子集就要有一个好的控制方 2 东南大学硕士学位论文 案。目前较常用的方法有：残差调节、参数位置调节、“速度”调节和概率调节。 b 从系统的稳定性出发设计模型集。对一个被控系统设计多个固定模型，基于一种切换原则， 切换到基于不同固定模型而设计的控制器上。并保证在多个控制器之间相互切换时闭环系统是稳定 的。在此基础上，通过指标函数选定最佳控制器，改进瞬态响应。 c 动态优化模型集。文 1 】用多个固定模型和自适应模型共同组成的模型集，基于固定模型设计 的控制器保证响应速度，而基于自适应模型设计的控制器则保证精度。文 2 对所选择的元素模型添 加一辅助输入量，以保证元素模型的输出尽量逼近系统的输出。文 3 】将系统的模型参数空间运步划 分，直到找到包含系统真实模型的最小区域，在此区域内建立模型集。文 4 】给出一种对模型集元素 增减的策略，使设计的状态估计器的状态估计值与原状态估计器的状态估计值具有相同的精度。 d 利用神经网络来减少元素模型个数。采用神经网络，通过b p 算法，动态调整权值，逼近系 统动态特性，即可以减少模型集中元素模型的个数，又由于神经网络有逼近非线性函数的能力，还 不会有模型偏差很大的现象产生。仿真表明基于神经网络所设计的多模型控制器，对参数变化的 被控对象的控制效果优于基于原模型集设计的控制器。 多模型自适应控制器的构成 多模型自适应控制器首先基于每个元素模型构成元素模型控制器，然后被控系统的控制器由元 素模型控制器通过一种线性或非线性关系构成。 a 以加权方式构成。控制器的输出是各模型对应控制器的加权组合，权值的大小取决于模型集 中的模型与当前模型的匹配程度。 b 切换策略。首先给定基于某一性能指标的切换函数每个采样时刻基于性能切换指标寻找最 接近被控对象的模型，并将基于此模型的控制器切换为当前控制器。切换性能指标一般选择如下： 一 j ，( r ) = 册；( f ) + 卢ie - a ( , - r ) e ；( r ) d z “( 1 1 ) 一0 其中，口0 ，卢 0 ，五 0 为自定义参数，口和卢决定暂态测量和长期测量在性能指标中 的相对重要性， 为遗忘因子，e ，为模型，与系统输出间的误差，e 为自然对数中的底数。性能指 标最小的模型对应的控制器为当前有限控制器。这种切换方式叫做间接切换方式。 第二种切换方式为直接切换方式，直接切换的特点是将各模型对应的控制器按顺序编号，切换 时从编号为1 的控制器开始，并判断系统是否稳定，若是，则将控制器1 作为当前控制器：否则， 切换到控制器2 ，并判断系统的稳定性；以此类推，最终切换到使闭环系统稳定的控制器上。 2 、非线性系统m m a c 控制 非线性系统的多模型自适应控制目前还在尝试阶段，文【5 根据平衡流型和非线性测度在不同平 衡点对非线性系统线性化，再根据线性模型构造多模型控制器。 由于神经网络的非线性逼近能力，文【6 】用神经网络构造了非线性系统多模型自适应控制。 与线性系统的m m a c 相比较，非线性系统的m m a c 还处于起步阶段，理论远未成熟，有许多 问题亟需解决。 1 2 2m m a c 的发展、研究现状及应用 1 、m m a c 的发展、研究现状 多模型方法最早由l a i n i o t i s d g 等人提出【7 j ，其主要目的是对卡尔曼滤波器进行研究，提高状 态估计的准确性。l a i n i o t i s 提出的多模型方法是一种基于后验概率加权的多模型方法，该方法的一 个最大缺陷就是稳定性难以证明。 针对这种缺陷，n a r e n d r a k s 等人提出了基于模型切换的多模型控制方案口】，对稳定性给出了一 定的证明。n a r e n d r a k s 研究的是控制器为间接切换的多模型自适应控制，且大多属于连续时间系 缔。 第一章绪论 澳大利亚n e w c a s t l e 大学的f u m y 开创了直接多模型自适应控制0 1 。其特点是整个切换过程闭 环系统是指数稳定的，且省去了常规自适应控制的一些假设条件如常数增益的符号、最小相位的 假设等。 法国学者b a d r a 对多模型研究的发展也起了很大的推动作用1 2 , 1 0 ，他主要研究的是基于概率加 权形式的多模型控制。当前控制器为多个局部模型控制器输出的加权和，这是一种软切换，切换过 程平稳，但稳定性难以证明。 模型自适应控制经过近3 0 年的发展，在理论和实践上取得了一定的成果。近年来，一些主要的 控制期刊和会议如a u t o m a t i c a 、c d c ( i e e e 控制与决策会议) 发表了很多关于多模型的文章。 k s n a r e n d r a 在1 9 9 4 年的c d c 会议上的报告“参数自适应控制一结束还是开始”认为多模型控制 是白适应控制的摄新发展方向之一j 。 国内学者对m m a c 也作了许多理论上的研究，文 1 2 1 构造了两个相对指标。计算出模型集中的 模型与当前模型相对指标值再根据相对指标值用模糊法则计算出每个模型对应的控制器在加权输 出中的权值；文0 3 针对离散系统提出一种切换控制器，该控制器可保证经过多次切换，系统的状态 是l y a p u n o v 稳定的；文【1 4 】针对多模型集，模型数量过多的问题，提出一种基于模型在线优化方案 的多模型自适应控制算法：文【1 5 】针对强非线性及工作点变化的实际问题提出径向基函数网络多逆模 型控制策略，并验证该策略即具有多逆模型控制的高精度，又有单一模型的整体性。 m m a c 经过多年的发展取得了定的研究成果，但新的问题也涌现出来，目前m m a c 的研究 主要集中在以下几个方面： 模型集的选定。模型集的选定一直以来都是m m a c 中的一个难点，在保证控制器精度的前提 下，优化模型集，减少计算时间，是m m a c 中一个重要研究课题，至今尚未形成系统的方法。 m 1 m o 系统m m a c 的研究。多变量系统中输入输出存在不同程度的耦合，加大了模型选取 的难度和系统稳定性验证的难度。 非线性系统的m m a c 研究。 在线学习器。n a r e n d r a 等1 6 1 第一次在m m a c 中引入在线学习器的概念，对于非线性系统和高 度不确定的线性系统必然用到在线学习器，这是今后的一个熏要研究方向。 智能控制与m m a c 的结合。模糊控制在系统建模和控制方面独有的性能和神经网络的非线性 拟和能力对m m a c 的发展能起到巨大的推动作用。 概率加权方式m m a c 稳定性的证明。以概率加权方式构成的控制器切换平滑，但稳定性难以 证明，目前只有一些少量的收敛性结果。 2 、m m a c 在实际工程中的应用 除了理论上的研究成果外，m m a c 在实际中也取得了一些成功的应用。m i y a z a w a y 1 6 1 针对飞行 器控制系统参数变化、不同的时延以及信号带宽，设计出不同的多模型控制器，取得良好的飞行性 能。机器人在各种任务的执行期间的惯性动态使得控制变得复杂，n a r e n d r a 将m m a c 应用到机器手 的控制，减小了瞬态误差。c y u 等1 1 ”将多模型的方法应用到多变量系统，对一个患有心血管阻塞的 病人通过调节两种药物的输入率来分别控制动脉血压和心脏输出。 m m a c 从上世纪8 0 年代引入国内后，国内学者在理论上作了一定的研究，也取得了一些工程 应用。文 1 8 将多模型方法应用到球磨机系统中，提出一种基于多模型的多变量逆奈奎斯特阵设计方 法，系统鲁棒性强，控制性能优良；文【1 9 】将多模型方法应用到斯坦福机器手臂的控制中；文 2 0 】针 对开环不稳定旋转倒立摆系统利用运行空间划分的思想设计了一种模糊多模型控制器；文 2 u 采用 神经网络多模型控制器来实现单元机组的协调控制。此外，多模型方法在造纸机、砂状氧化铝分解 温度控制系统、醋酸蒸发器液位控制等一些领域也取得了令人满意的成果。 4 东南大学硕士学位论文 1 3 人工免疫工程及其控制领域中的应用 1 3 1生物免疫系统工作原理及基本特点1 2 2 , 2 3 人类对生物免疫的认识在几百年前就开始了，1 6 世纪前接种人痘可以防止一些传染性疾病，1 8 世纪末e d w a r d j e n n e r 通过接种牛痘有效控制了天花的蔓延。然而限于当时科学水平，人们不可能深 入研究生物免疫的机理，免疫学科的兴起和发展是在2 0 世纪6 0 年代以后。 生物体的免疫系统是由免疫器官、免疫细胞、免疫分子三部分构成的。免疫器官是免疫细胞发 生、分化、成熟的场所，为免疫细胞的定居、增殖、接受抗原刺激并产生特异性应答提供场所，它 包括胸腺、骨髓、法氏囊、脾脏、淋巴结等组织。所有参与免疫功能的细胞都称之为免疫细胞，它 包括干细胞、淋巴细胞、单核吞噬细胞等等。参与免疫功能的分子称之为免疫分子，免疫分子有t c r 、 b c r 、m h c 、免疫球蛋白等等。 免疫功能的目的就是消除外界入侵的抗原和自身的突变细胞，维持内环境的稳定，免疫响应是 由识别异己和消除异己这两个过程构成的。根据识别的抗原性异物的不同，免疫功能可细分为以下 三类：免疫防御、免疫自稳、免疫监视。 表1 1 免疫系统的功能 功能生理性反应( 有利)病理性反应( 有害) 免疫防御清除病源微生物及其它抗原超敏反应、免疫缺陷病 免疫自稳清除损伤细胞或衰老的细胞自身免疫病 免疫监视清除突变或畸变的恶性细胞恶性肿瘤 特异性和平衡性是免疫功能中的灵魂，特异性保证了免疫系统“不滥杀无辜”，平衡性保证了免 疫系统“不殃及无辜”。 免疫机体识别、消除抗原的过程叫做免疫应答，免疫应答有两种不同的类型，一种是固有性免 疫应答，它是机体在长期的种系发育和进化过程中形成的一系列天然、非特异的免疫防卫机制，它 可以通过遗传获得，固有性应答作用广泛。不针对特定抗原；另一种免疫应答是适应性免疫应答， 生物体通过自我月 我识别机制识别初次遇到的抗原，从而激发“初次响应”，并记住该抗原，当再 次遇到该抗原时就会产生比初次响应更迅速的“再次响应”，这就是适应性应答，它不可以遗传，具 有免疫记忆性。 b 蛆胞 唧胞 l 一组成一 童里一 一一骂驰 抗体乞0 抗体 砸进和抑r 图1 1 免疫响应抽象图 图1 l 简要地说明了免疫系统工作的基本原理，淋巴细胞由b 细胞和t 细胞组成，抗原入侵 生物体后，淋巴细胞作出反应，生成对应于该抗原的记忆细胞。b 细胞分泌的抗体相互促进和抑制， 保持抗体浓度的动态平衡。 免疫系统是一典型的分布式系统，淋巴细胞遍布全身，在全身自由流动。免疫响应采取的是就 近原则，抗原是由其附近的免疫细胞和分子识别并消除的。 从生物信息处理的角度来看，免疫系统主要有以下一些特性： 耐噪声性：完全识别入侵的抗原是不可能的，免疫系统在不完全识别的情况下也能对抗原产 第一章绪论 生有效的作用，即免疫系统有一定的鲁棒性。 多样性：遗传和浓度抑制保证了抗体库的多样性，并且这种多样性是动态的，能根据环境和 抗原的刺激实时调整。 记忆能力：某种抗原初次入侵生物体，免疫系统识别并记住该种类型的抗原。免疫系统对抗 原的记忆与该种抗原的刺激强度及刺激时间有关。甲肝疫苗分三次在不同的时间注射就是基于这个 原理。免疫的记忆不是永久记忆，它是具有动态遗忘的记忆。 分布性：免疫细胞分布在身体的各个部位，没有中心控制单元。 外来物的识别：免疫系统能够识别“自己”和“非己”，这是免疫功能能够实现的前提。 异常检测：能够检测以前从未遇到过的发病机理并对此作出反应。 自适应性：自然界存在的抗原种类远远多于生物体内的抗体种类。免疫系统通过细胞的增殖 和分化，不断产生新的抗体，最终形成适合的抗体消灭抗原，动态适应环境的变化。 1 3 2 人工免疫工程及理论研究 正因为免疫系统具有这样一些独特的性质才引起人们把它引入工程领域的兴趣，将免疫的运行 机制和反应特性应用到工程领域，导致了人工免疫工程这门学科的形成。 相对于受人脑神经系统启发的人工神经网络和受生物进化启发的进化算法，人工免疫的研究起 步很晚，将免疫的概念引入到工程领域是最近十几年才开始的。1 9 8 6 年，f a r m e r 率先基于免疫网络 学说提出免疫系统的动态模型口”，并探讨了免疫系统与其他人工智能方法的联系，开始了人工免疫 系统的研究。国内的靳蓍教授在1 9 9 0 年提出“免疫系统所具有的信息处理和机体防卫功能，从工程 角度上来看，具有非常深远的意义州“。但是这以后国内的研究成果比较少见。 1 9 9 6 年2 月，在日本首次召开了基于免疫性系统的国际专题讨论会，首次提出了“人工免疫系 统的概念”【2 6 】，随后，人工免疫系统进入了兴盛发展期，相关的论文和研究成果逐年增加，1 9 9 7 和 j 9 9 8 年i e e es y s t e m s ，m a na n dc y b e m e t i c s 国际会议还专门组织了相关专题讨论，并成立了“人工 免疫系统及应用分会”。 d a s g u p t a ( 1 9 9 7 ) 系统分析了人工神经网络和人工免疫系统的异同，认为在组成单元及数目、交互 作用、模式识别、任务执行、记忆学习、系统鲁棒性等方面是相似的，而在系统分布、组成单元问的 通信、系统控制等方面是不同的【2 7 】：并指出，自然免疫系统是人工智能方法灵感的重要源泉”。 d o t e ( 1 9 9 8 ) 拓展了软计算的概念，认为应该包括免疫网络和混沌理论【2 9 j 。g a s p e r ( 1 9 9 9 ) 等认为多样性是 自适应动态的基本特征，而a i s 是比g a 更好地维护这种多样性的优化方法【3 。免疫系统所表现出 的“学习”行为丰富了模式识别方法。 人工免疫系统的研究主要集中在以下几个方面： 1 、人工免疫系统网络模型的研究 人工免疫网络模型的工作首先是由j e m e 提出，他基于细胞选择学说开创了独特型网络的理论， 给出了生物免疫系统的数学框架口”，并采用方程建模来仿真淋巴细胞的动态性，如式( 1 - - 2 ) 和( 1 - 3 ) ，方程模拟了抗体的激励项和抑制项、抗原的反应项和细胞的自然死亡。 r生 n 、 l ( 口) ) ( ( r ) ) l 4 ( ，) = a ，( ，) + ，上l 一一，生l _ + 励。一置 q ( ，)(12n l 川 j 6 东南大学硕士学位论文 q ( ，) = 百面丽j 1i x 而 上两式中，。n 表示抗体f 和抗体，相互刺激强度， ( 1 3 ) 表示抗体掰抗体是的相互抑制强度，7 - 声是 抗体抗原的反应速率参数，k 是抗体i 的自然消亡系数，是总的抗体种类数，m 。是抗原对抗体刺 激强度，口( f ) 抗体f 在f 时刻的浓度，4 ( f ) 表示抗体，所受到的抗原及与之相连的其他抗体的刺激 值。 在j e r n e 工作的基础上，p e r e l s o n 提出了独特性网络的概率描述方法p ”。免疫网络理论对免疫细 胞的活动、抗体生成、免疫耐受、自我非我识别、免疫记忆和免疫系统的进化过程都作了系统的假 设，并将免疫系统看成是由免疫细胞和分子组成的调节网络，免疫细胞以抗体间的相互反应和不同 类免疫细胞的相互通信为基础，抗原识别是由抗原抗体间的相互作用所形成的免疫网络完成的。 独特性免疫网络理论认为，免疫细胞对识别信号( 抗原或其他免疫细胞、分子) 应答有阳性反 应和阴性反应两种。前者负责细胞增殖、细胞激活、抗体生成；后者负责免疫耐受和抑制。 2 、免疫学习算法 免疫目标算法：此算法将未知问题的解看作抗原。那么，只要找到能产生最高亲和度的抗体的 b 细胞，也就找到了未知问题的解。此算法是建立在b 细胞网络模型基础上的。 免疫a g e n t 算法：根据免疫系统具有学习、记忆、识别的功能，y 1 s h i d a 提出了免疫a g e n t 算法。 该算法分三步进行：产生多样性的个体；建立和识别“自己”；记忆“非己”。基于免疫a g e n t 算法 的人工免疫系统被用于噪声的自适应控制。 免疫d n a 算法：借鉴免疫系统的“自己、非己”的识别原理和d n a 双螺旋碱基对a - t ( 腺嘌 呤一胸腺嘧啶) 、c g ( 鸟嘌呤胞嘧啶) 的互补配对原理，r d e a t o n 等提出了免疫d n a 算法，使 a i s 具有通过串匹配的方法分辨自己和非己的功能。 免疫遗传算法：为了克服g a 易于未成熟收敛的缺陷，免疫g a 算法在g a 的基础上通过增加 抗体浓度概率计算、抗体的促进和抑制、抗体散布性计算三个模块来提高解的多样性。 1 3 _ 3 人工免疫在控制领域的应用 免疫响应和过程控制存在很大的相似之处，我们可以把生物体看成被控对象，把抗原的入侵和 内部细胞的突变看成各类干扰，把免疫系统看成控制器，这样免疫响应就类似与一个对干扰的控制 过程。但免疫系统控制的对象远比工程中的对象复杂，免疫控制的效果比实际过程控制效果更稳定、 协调、鲁棒。 免疫响应的自适应性、协调性、鲁棒性、对未知环境的适应能力吸引了过程控制领域专家的注 意，免疫响应这些特点是过程控制尤其是复杂、存在未知干扰对象的控制所追求的。下面就是人工 免疫系统在过程控制中的一些应用。 基于对异物的快速反应和快速稳定免疫系统的免疫反馈机理可用于发展有效的反馈控制系 统，基于t 细胞免疫反馈控制规律设计的自调整免疫反馈控制器，文【3 3 】用p 型免疫控制器和一个 增量模块组成的免疫控帝8 器建立了模糊自调整免疫反馈控制系统，将此控制器用于激光热疗法组织 温度的控制中，结果表明其控制性能优于常规控制器。免疫反馈原理应用于人工神经网络，设计出 人工神经网络控制器，这种控制器比一般神经网络控制器具有更快的可调学习速率，在一个灵活的 7 第一章绪论 微型马达移动的控制中取得了成功p “。 基于免疫系统中b 细胞之间的相互反应机理，即b 细胞能在动态变化的环境中保持其数量的 平衡，由于分布式自主机器人与生物免疫系统的相似性，将此原理应用到一个多机器人系统的控制 结构中【3 5 】。 基于细胞选择说和独特性网络学说的控制机理，利用生物免疫系统的自保护和自维持能力， 把每个机器人看成b 细胞，每个环境看成抗原，行为策略看成抗体用于控制分布式机器人系统， 使其在环境条件改变时，能选择一个合适的行为策略p ”。 基于局部记忆和网络结构学说应用于a g e n t 结构，并利用多样性产生、自忍耐建立、记忆非 己三个步骤在干扰知识不能得到的情况下控制系统，用于噪声的自适应控制p “。 把免疫系统与神经网络结合，识别和处理人工神经网络的建筑块，并应用于复杂动态行为建 模和自适应控制，文p 8 将此方法用于控制一个不确定u h l 垂直直升机盘旋模型。 除控制领域外，人工免疫在其他领域如机器人、故障检测与诊断、知识挖掘、数据处理、图象 处理、计算机网络安全、组合优化、模式识别中也取得了成功的应用。 1 3 4 人工免疫应用于控制的进一步研究工作 人工免疫系统理论很深，应用范围很广( 不仅仅局限于控制系统) ，值得深入研究进一步的基 于人工免疫系统的控制的研究工作有： 1 、生物免疫系统的机理及其复杂，有些机理甚至连免疫学家还没很好地理解，这使得现有地人工免 疫系统还局限于免疫系统的某一种机理，且其稳定性和收敛性等理论分析也未涉及故应进一步从 计算的角度理解免疫系统中各组成部分的功能和内在机理在一个整体的框架下对免疫系统的所有 潜在的有用特性进行集成研究，以开发鲁棒和巨大并行性的自适应免疫计算理论，并用于控制领域。 2 、基于d n a 编码的人工免疫系统及基于d n a 计算的免疫算法免疫系统使用一组从d n a 分子推 导的有限数目的建筑块( d n a 特定片断的随机重组) 来获得鲁棒性和自适应性，免疫系统的进化可 分为d n a 分子，d n a 特定片断的随机重组的慢速学习模式和免疫系统中抵御异物的自适应快速学 习模式，故可采用d n a 进化算法来获取免疫计算系统，并基于d n a 算法建立人工免疫系统的计算 模型，以应用于包括控制领域的各种领域。 3 、生物免疫系统有一种再生功能，叫做元动力学( m e t a - d y n a m i c s ) ，它能从骨髓中持续产生新抗体， 这样我们可以利用此功能应用于计算机控制，即当机器人不能对付当前的环境时，通过元动力学功 能产生抗体与当前免疫网络结合实现对新环境的免疫，实现对机器人的控制。 4 、基于免疫反馈和学习的机理设计自调整、自组织和自学习的免疫反馈控制器，开展基于免疫反馈 机理的控制系统的研究，为工程领域提供一种新型的智能控制系统具有重要的理论意义和广泛的应 用前景。 5 、进一步研究基于免疫系统机理的分布式自治系统，现在分布式免疫自治系统虽有应用于控制领域， 特别是机器人控制方面，但还未完善，还需进一步研究。 6 、已有学者研究b 细胞一抗体网络的振荡、混沌和稳态等非线性特性，并可借助概率元胞自动机描 述免疫系统的某些动态行为但其工作还刚刚开始，还需进一步借助一些非线性研究方法来研究免 疫系统的非线性行为，实现非线性控制。 8 东南大学硕士学位论文 此外，人工免疫在其他领域的研究还有必要再继续深入，作者曾构想将免疫系统的多样性特性 引入g a 算法的初始群体的产生和变异操作中，基于多样性的初始群体的产生就是尽量避免初始群 体集中在几个区域内；设定g a 采用二进制编码，初始群体第，位的等位基因为g ，g f ， 其中值为0 的基因数为o ，值为1 的基因数为n l 。设= n o n ，”1 = n l v ，若g “= o ，则 变异概率为 只。= 己o e x p ( q ( 一o 5 ) ) ”( 1 - - 4 ) 若邑2 1 只。= 只o e x p ( r ( 确一0 5 ) ) ”( 1 5 ) 其中，e 1 0 、叩为正常数，这是作者构想的基于多样性理论的变异一 1 4 本文的研究内容 论文研究了人工免疫和多模型控制两部分内容，将人工免疫引入到多模型控制中，改善多模型 控制的性能。论文的主要研究内容如下： l 、第二章：根据免疫系统中的抗体并行变异、体细胞的高频变异、抗体恒定区和可变区工作机 理不同的以及人工免疫理论中的形态空间理论提出一种新颖免疫算法，该算法不是对已有算法的改 进，是完全根据免疫理论提出的一种算法，用一典型的多峰函数验证算法的有效性。 2 、第三章：用第二章提出的算法进行多模型控制中的模型辨识和控制器参数的整定：用一阶惯 性环节实现了控制器的平滑切换并根据k h a r i t o n o v 理论证明了切换的稳定性：针对系统在某工况 点附近控制器频繁切换的情况，设计了切换滞后策略。 3 、第四章：鉴于免疫网络理论不成熟，借鉴免疫系统中抗体结构的特点，用理论成熟的神经网 络构造多模型控制器，其中c m a c 模拟抗体的恒定区，a d a l i n e 神经元模拟抗体的可变区，两种不 同的神经网络控制器组成多模型控制器。 参考文献 1 n a r e n d r aks ，b a l a k r i s h n a nj a d a p t i v ec o n t r o lu s i n gm u l t i p l em o d e l s i e e et r a n so na u r o r a c o n t r o l ，1 9 9 7 ，4 2 ( 2 ) ：1 7 l 1 8 7 2 】b a d ra ，b i n d e rz ，r e yd a p p l i c a t i o no ft r a c k i n gm u l t i - m o d e lc o