基于改進遺傳算法的血液凈化機械優(yōu)化設(shè)計

摘 要：本文基于改進遺傳算法，研究了血液凈化機械的優(yōu)化設(shè)計問題。該方案建立了改進型交互式遺傳算法模型，融入極限學習機（ELM）算法，構(gòu)建了包括數(shù)據(jù)輸入層、隱藏層和輸出層的數(shù)據(jù)架構(gòu)。借助前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，在血液凈化機械設(shè)計庫中不斷進行了迭代計算。試驗結(jié)果表明，該方案在血液凈化機械數(shù)據(jù)庫數(shù)據(jù)分類方面取得了顯著進展。該方案引入了極限學習機算法和改進型交互式遺傳算法模型，能夠更有效地處理血液凈化機械數(shù)據(jù)，提高分類的準確性和效率，提供了更符合人體工程學和人體生理學特點的設(shè)計方案，能更好地滿足人們對醫(yī)療機械設(shè)計的需求。

關(guān)鍵詞：改進遺傳算法；血液凈化機械；ELM

中圖分類號：R 197" " " 文獻標志碼：A

血液凈化機械是一種重要的醫(yī)療設(shè)備，廣泛應用于腎功能衰竭等疾病治療。然而，目前市面上的血液凈化機械設(shè)計存在一些不足，例如凈化效果不理想、性能不穩(wěn)定等[1]。因此，對血液凈化機械進行優(yōu)化設(shè)計具有重要意義。遺傳算法是一種優(yōu)化算法，具有全局搜索和并行計算的特點，被廣泛應用于機械設(shè)計領(lǐng)域[2]。本文基于改進遺傳算法對血液凈化機械進行了優(yōu)化設(shè)計，以提高其凈化效果和性能。

1 基于改進遺傳算法的血液凈化機械整體設(shè)計

基于改進遺傳算法的血液凈化機械整體設(shè)計架構(gòu)如圖1所示。

首先，區(qū)分儀器的操作等級，并根據(jù)等級信息對儀器信息進行劃分。區(qū)分不同的操作等級并針對不同等級的需求進行設(shè)計和優(yōu)化，可提高血液凈化機械的整體性能和適應性。其次，在設(shè)計過程中，使用改進遺傳算法生成一批個體，并對這些個體進行評估。評估指標主要是個體的適應度，即血液凈化機械在特定操作等級下的性能表現(xiàn)。對個體的適應度進行評價后，篩選出最佳個體，將其作為設(shè)計方案的候選。最后，對選定的個體進行最佳適應度評價。該評價過程是為了驗證選定的個體在血液凈化機械整體設(shè)計中的優(yōu)越性[3]。對最佳個體進行評價可確認其在滿足操作等級需求的同時具備較好的整體性能。

主控系統(tǒng)過程參數(shù)操作如圖2所示。首先，需要與使用者進行溝通和調(diào)查來獲取其需求和要求，并將其作為設(shè)計的指導方向，以保證設(shè)計的機械能夠滿足使用者的期望。其次，將儀器與人體特征進行匹配，對不同方位的醫(yī)療儀器操作位置進行相關(guān)的理論研究。這項研究的目的是為了確定最佳儀器操作位置，以提高操作的便捷性和效率。在該過程中，繪制使用者需求信息單，將關(guān)聯(lián)程度較高的數(shù)據(jù)放入同一個數(shù)據(jù)集，以便更好地理解和滿足使用者的需求。最后，需要在整體設(shè)計的過程中對醫(yī)療設(shè)備的運行安全性進行檢驗，避免發(fā)生醫(yī)療事故，保障患者和醫(yī)護人員的安全。進行安全性檢驗以保證設(shè)計的血液凈化機械在使用過程中不會對患者和醫(yī)護人員造成傷害，同時保證設(shè)備正常運行。

2 基于改進遺傳算法的血液凈化機械機械模型構(gòu)建

2.1 初始化設(shè)置

對數(shù)據(jù)庫中的設(shè)計元素進行編碼和數(shù)據(jù)設(shè)置。編碼是將設(shè)計元素轉(zhuǎn)化為算法處理的形式，通常使用二進制編碼或其他編碼方式，利用編碼將設(shè)計元素轉(zhuǎn)化為算法操作的基因型。為了提高數(shù)據(jù)的計算精度，對數(shù)據(jù)進行初始化設(shè)置。初始化設(shè)置是為了保證初始設(shè)計的合理性和多樣性。合理的初始化設(shè)置可保證在遺傳算法的迭代過程中獲得更好的設(shè)計結(jié)果[4]。例如，設(shè)置一些設(shè)計元素的初始值，以保證初始設(shè)計的合理性和多樣性。

2.2 ELM模型啟動

ELM模型運行如圖3所示。在ELM（極限學習機）模型中，將血液凈化機械設(shè)計元素的不同數(shù)據(jù)信息輸入輸入層中。這些設(shè)計元素包括血液流速、濾器尺寸和濾器材料等。輸入層將這些數(shù)據(jù)信息傳遞到隱藏層。在隱藏層中，設(shè)置與輸出層輸出節(jié)點間的連接權(quán)值Wj。Wj是隱藏層節(jié)點與輸出層節(jié)點間的連接強度，決定了隱藏層節(jié)點對輸出結(jié)果的貢獻程度。這些權(quán)值Wj的取值范圍通常設(shè)定為0.2～3.7的常數(shù)。輸出層輸出最終的結(jié)果，即血液凈化機械的設(shè)計方案。輸出層的輸出權(quán)值向量為βj，其中每個βj代表隱藏層中第j個節(jié)點對最終結(jié)果的貢獻程度。訓練和調(diào)整這些權(quán)值向量βj，得到最佳結(jié)果。此外，還需要設(shè)置隱藏層中每個節(jié)點的偏置數(shù)據(jù)量bj。偏置數(shù)據(jù)量bj是隱藏層節(jié)點的偏移量，調(diào)整隱藏層節(jié)點的激活程度，從而影響最終的輸出結(jié)果。

在血液凈化機械數(shù)據(jù)元素庫中的數(shù)據(jù)樣本中，設(shè)定數(shù)據(jù)集合為xi、yi，其中i=1，2，...，n。這些數(shù)據(jù)樣本包括血液凈化機械的各種數(shù)據(jù)元素。同時，血液凈化機械數(shù)據(jù)元素庫中的數(shù)據(jù)被分類為m種不同的數(shù)據(jù)類型。用ys表示數(shù)據(jù)的類別，取值為1～m的整數(shù)。當yk=1時，表示數(shù)據(jù)樣本集合中的yi與其他血液凈化機械數(shù)據(jù)元素庫的數(shù)據(jù)為-1。該設(shè)定將數(shù)據(jù)劃分為不同的類別，其中類別為s。這種劃分方式將不同類型的血液凈化機械數(shù)據(jù)樣本進行分類和分析。在ELM模型中，需要設(shè)置隱藏層節(jié)點的數(shù)量。這些隱藏層節(jié)點用來提取數(shù)據(jù)的特征和表示[5]。將隱藏層節(jié)點設(shè)置為L個，其中L代表隱藏層節(jié)點的數(shù)量。設(shè)置隱藏層節(jié)點的數(shù)量可以更好地捕捉血液凈化機械數(shù)據(jù)的特征和模式，從而提高模型的性能和準確性，其數(shù)學模型分別如公式（1）、公式（2）所示。

（1）

（2）

輸出層實現(xiàn)的血液凈化機械數(shù)據(jù)元素庫數(shù)據(jù)輸出函數(shù)如公式（3）所示。

（3）

在使用者選擇的血液凈化機械數(shù)據(jù)元素庫眾多數(shù)據(jù)信息中，上述計算能夠根據(jù)顏色、光澤或者結(jié)構(gòu)形態(tài)等輸出適合人性化設(shè)計的數(shù)據(jù)信息。

2.3 結(jié)果判定

在血液凈化機械的設(shè)計中，用戶根據(jù)人性化標準來輸出數(shù)據(jù)信息。用戶根據(jù)自己的需求和要求判斷輸出的數(shù)據(jù)是否滿足要求。如果用戶認為選擇的數(shù)據(jù)滿足要求，就表示該選擇是符合期望的；反之，如果用戶認為選擇的數(shù)據(jù)不滿足要求，就表示該選擇不符合期望。適應度值是用來衡量數(shù)據(jù)的適應程度的指標。其中適應度值的取值設(shè)定為0.4～0.9。適應度值越高，表示數(shù)據(jù)與要求的匹配程度越高，反之則匹配程度較低。調(diào)整適應度值可控制數(shù)據(jù)的匹配程度，滿足要求。濾器系統(tǒng)的設(shè)計需要優(yōu)化，以提高血液凈化的效果。濾器的材料選擇、孔徑大小和結(jié)構(gòu)設(shè)計都會影響過濾效果。血液凈化機械中的血液流動性能需要優(yōu)化，以保證血液在機械中的流動均勻和穩(wěn)定。

2.4 輸出相識度識別

通過上述選擇、交叉和變異操作，本文對血液凈化機械數(shù)據(jù)元素庫中的數(shù)據(jù)進行了優(yōu)化和改進。假設(shè)經(jīng)過8次迭代計算和多輪遺傳操作，不斷優(yōu)化血液凈化機械的性能和適應性，逐漸提高適應度值，以逼近或達到滿足要求的目標，如公式（4）所示。

（4）

2.5 迭代數(shù)據(jù)比較

在遺傳算法的迭代過程中不斷改進和優(yōu)化血液凈化機械的性能和適應性，使其與用戶需求和要求更匹配。采用選擇、交叉和變異操作，不斷生成新的個體，并利用輸出相識度識別來評估其優(yōu)劣，從而逐步逼近最優(yōu)解或最優(yōu)性能。該優(yōu)化過程可以提高血液凈化機械的效果和適應性，滿足用戶的期望和要求。

本文通過上述計算，最終完成了血液凈化機械數(shù)據(jù)元素庫數(shù)據(jù)選擇。

3 試驗結(jié)果

將本文方法與K-means算法模型進行比較。

3.1 濾器系統(tǒng)參數(shù)匹配

在濾器系統(tǒng)的優(yōu)化中，需要匹配合適的參數(shù)來提高過濾效率和清潔度。根據(jù)患者的具體情況和治療要求，調(diào)整濾器的材料選擇、孔徑大小和結(jié)構(gòu)設(shè)計等參數(shù)，以取得最佳過濾效果。優(yōu)化濾器系統(tǒng)的參數(shù)匹配可以提高血液凈化的效果，減少不必要的廢物和污染物滯留。調(diào)配與患者操作相關(guān)程度較高的內(nèi)部血液凈化機械空間，更好地適應患者的治療需求，提高治療效果。根據(jù)患者的具體情況和治療要求進行相應調(diào)整和優(yōu)化，以滿足患者的需求。

3.2 血液流動系統(tǒng)參數(shù)匹配

機械治療信息獲取如圖4所示。本文模擬自然進化的過程，并利用交叉、變異和選擇等操作不斷優(yōu)化參數(shù)組合，以找到最優(yōu)參數(shù)配置，將血液流動系統(tǒng)中的速度、壓力和管道直徑等參數(shù)作為遺傳算法的自變量，并設(shè)置適應度函數(shù)來評估參數(shù)組合的優(yōu)劣。建立一個預測模型，輸入?yún)?shù)和輸出結(jié)果間的關(guān)系，預測最優(yōu)參數(shù)組合。加快參數(shù)優(yōu)化的過程，并提高優(yōu)化的準確性。適當調(diào)整血液的流速和流量，可以提高血液在機械中的流動效果，減少滯留時間，降低血液凈化過程中的不適感。

收集血液流動系統(tǒng)參數(shù)后，按照系統(tǒng)的功能界面劃分不同的性能檢測模塊，將屬于同一檢驗模塊的數(shù)據(jù)收錄至系統(tǒng)空間中，及時檢驗此刻的系統(tǒng)狀態(tài)，不斷整合狀態(tài)信息，簡化操作流程，追蹤不同的血液信息，調(diào)整系統(tǒng)的流動速度，將系統(tǒng)的速度調(diào)到合理范圍內(nèi)，并記錄不同時刻的流動參數(shù)。

3.3 數(shù)據(jù)收集

將記錄的數(shù)據(jù)全部整理至中心控制系統(tǒng)中，不斷獲取內(nèi)部研究數(shù)據(jù)與濾器調(diào)節(jié)范圍角度數(shù)據(jù)，掌控血液凈化機械濾器系統(tǒng)和血液流動系統(tǒng)的操作程度和操作范圍，并配置基礎(chǔ)研究裝置，強化內(nèi)部管理系統(tǒng)，加強對血液凈化機械濾器系統(tǒng)和血液流動系統(tǒng)的管控力度，由此調(diào)配合理的操作信息裝置，進行整體試驗操作研究。

3.4 比較結(jié)果

將本文方法與K-means算法模型在平均相對誤差（MRE）、最小誤差平方和（LSE）方面進行比較。如果本文方法在MRE和LSE方面表現(xiàn)更好，說明其預測結(jié)果更準確，誤差更小，具有更高的預測能力。相反，如果K-means算法模型在MRE和LSE方面表現(xiàn)更好，說明其預測結(jié)果更準確，誤差更小，具有更高的預測能力。比較過程如公式（5）所示。

（5）

式中：D為用于驗證醫(yī)療器械數(shù)據(jù)庫中設(shè)計元素數(shù)據(jù)的總樣本；Ae為通過算法模型輸出檢索設(shè)計信息；AMe為數(shù)據(jù)庫中輸出的醫(yī)療器械數(shù)據(jù)信息。

誤差比較見表1。

對于MRE，K-means算法的值為0.1795，而本文算法的值為0.1013，說明本文算法的MRE值較小，其預測結(jié)果與真實值更接近，具有更高的預測準確性。對于LSE，K-means算法的值為0.2475，而本文算法的值為0.1458，表明本文算法的LSE值較小，其預測結(jié)果與真實值的誤差更小，具有更高的預測準確性。優(yōu)化血液凈化機械濾器、血液流動參數(shù)可進一步提高血液凈化的效果，使患者的治療體驗更好、更安全且有效。同時，借助本文算法的優(yōu)勢，采用更可靠和準確的預測方法，以指導設(shè)計優(yōu)化和參數(shù)選擇。

4 結(jié)語

本文基于改進遺傳算法，對血液凈化機械的優(yōu)化設(shè)計問題進行了研究。對血液凈化機械的結(jié)構(gòu)和參數(shù)進行優(yōu)化，提高了其凈化效果和性能。試驗結(jié)果表明，改進遺傳算法能夠有效優(yōu)化血液凈化機械，并取得良好的優(yōu)化效果。然而，本文還存在一些不足之處，例如樣本數(shù)量有限、參數(shù)設(shè)置不夠全面等。未來的研究將進一步完善改進遺傳算法的優(yōu)化模型，增加樣本數(shù)量，并考慮更多的設(shè)計要求和約束條件，以進一步提高血液凈化機械的優(yōu)化效果。

參考文獻

[1]周志霄，王宸，張秀峰，等.基于機器視覺與改進遺傳算法的機械手分揀方法研究[J].制造技術(shù)與機床，2022（2）：25-29.

[2]張錚，柯子鵬，周嘉政，等.基于改進多目標自適應遺傳算法的機器人路徑規(guī)劃[J].西安理工大學學報，2023，39（1）：69-78.

[3]魏金生，李仁旺.改進遺傳算法求解多柔性作業(yè)車間調(diào)度問題[J].建模與仿真，2023，12（6）：5887-5896.

[4]喬東平，柏文通，文笑雨，等.基于關(guān)聯(lián)規(guī)則的作業(yè)車間調(diào)度問題改進遺傳算法研究[J].河南理工大學學報（自然科學版），2022，41（2）：138-148.

[5]楊忠瑞，楊昌明，劉渝.基于改進遺傳算法的工業(yè)機器人逆運動學求解[J].機械工程與技術(shù)，2020，9（5）：403-410.