.1320 北京科技大学学报 第30卷 了分配，限制了拥有较多个体的物种的无控制增长， 3参数估计结果 增加了较少个体的物种繁衍，从而提高群体多样性 ④共享半径6取值是影响GA搜索性能的关键因 3.1仿真估计 素，本文采用共享因子τ来动态地调整共享半径： 为了确定所设计的遗传算法能否以较高的精度 t=(f1十f2+..十fx)/ 同时估计多个热特性参数，本文根据实际测量系统 (f1/m1+f2/m2+…十fx/mv) 中存在多种测量误差的情况，以一组加入0.1℃标 基于对遗传算子的改进以及小生境技术的设 准差及0.1℃截断误差（温度采集模块的测量误差） 计，本文开发的GA主流程图如图3所示， 的信号作为测量值，进行了参数估计的模拟仿真 根据多次模拟估计试算，将群体规模设为235，代沟 确定参数， 实数编码，初始化群体 设为0.80，选择压力为1.6，变异概率为0.2，初始 小生境半径为0.15，最大进化的代数为30.进行10 计算各个体的目标函数并排序 次模拟估计后所得到的最优个体、平均估计值和平 满足停止条件？ 均相对估计误差如表1所示，结果表明，平均估计 N 值的误差很小，采用设计的遗传算法能够以很好的 排序法生成选择概率， 第P+】代群体 精度同时估计活体组织的热特性参数 结束 小生境重新分配选择概率 第P代群体 3,2体模热特性参数估计的实验研究 采用SUS方法进行选择， SPX+BEM进行交又，进行变异 为了验证所设计的遗传算法在实际热物性测量 中的准确性，本文建立了如图4所示的动态等效组 最优保存策略 新个体插入父代 织体模热特性参数测量系统，系统中采用与人体组 织热特性参数相近的加气水泥制作体膜，以恒温水 流模拟血液的灌注作用，结合相应的传热模型和设 图3活体组织热特性参数估计的遗传算法流程图 计的遗传算法，测量体模的热特性参数，并与采用已 Fig.3 Flowchart of real-coded GA for thermal parameters estima- tion in living tissues 有成熟方法获得的热特性参数值（真值）进行比较， 结果如表2所示 表1k、D,和a仿真估计结果 Table 1 Simulation results of estimation for three parameters k.w and hA 类别 k/(Wm-1.℃- w/(kg's1m3) /Jm-3.℃- ha/(Wm-2.℃-1) 真值 0.48 3.0 3134040 10.023 最优个体 0.48006 3.0073 3.14×105 10.026 平均估计值 0.48007 2.9972 3.13×105 10.023 平均估计误差/% 0.0138 0.0923 -0.0237 -0.001 电加热片。 由表2可知，导热系数和血液灌注率的测量误 差小于5%，体积热容的测量误差在5%左右.同一 出水 实验条件下的多组实验结果表明，所提出的测量方 人水 法具有较好的可重复性和稳定性，因此，采用设计 的遗传算法，能以较好的测量精度同时估计动态等 图4动态体模实验示意图 Fig.4 Experimental apparatus for a phantom 效体模的多个热特性参数 表2动态体模的热特性参数测量结果 Table 2 Results of thermal parameter measurements for dynamic tissue phantom 类别 k/(Wm1.℃ w/(kg's-1m-3) /Jm-3.℃- h/(Wm-2.℃- 真值 0.590 0.97 1011560 10.00 最优个体 0.5966 1.0147 1.0424×105 10.18 平均估计值 0.583 0.98 1.06×105 10.281 平均估计误差/% -1.118 2.369 5.095 2.81 平均值士标准差 0.583±0.02 0.98士0.04 1.06×10±0.02×108 10.281±0.3了分配‚限制了拥有较多个体的物种的无控制增长‚ 增加了较少个体的物种繁衍‚从而提高群体多样性． ④ 共享半径 δ取值是影响 GA 搜索性能的关键因 素‚本文采用共享因子 τ来动态地调整共享半径： τ＝（ f1＋ f2＋…＋ f N）／ （ f1／m1＋ f2／m2＋…＋ f N／mN）． 基于对遗传算子的改进以及小生境技术的设 计‚本文开发的 GA 主流程图如图3所示． 图3 活体组织热特性参数估计的遗传算法流程图 Fig．3 Flowchart of rea-l coded GA for thermal parameters estima￾tion in living tissues 3 参数估计结果 3∙1 仿真估计 为了确定所设计的遗传算法能否以较高的精度 同时估计多个热特性参数‚本文根据实际测量系统 中存在多种测量误差的情况‚以一组加入0∙1℃标 准差及0∙1℃截断误差（温度采集模块的测量误差） 的信号作为测量值‚进行了参数估计的模拟仿真． 根据多次模拟估计试算‚将群体规模设为235‚代沟 设为0∙80‚选择压力为1∙6‚变异概率为0∙2‚初始 小生境半径为0∙15‚最大进化的代数为30．进行10 次模拟估计后所得到的最优个体、平均估计值和平 均相对估计误差如表1所示．结果表明‚平均估计 值的误差很小‚采用设计的遗传算法能够以很好的 精度同时估计活体组织的热特性参数． 3∙2 体模热特性参数估计的实验研究 为了验证所设计的遗传算法在实际热物性测量 中的准确性‚本文建立了如图4所示的动态等效组 织体模热特性参数测量系统．系统中采用与人体组 织热特性参数相近的加气水泥制作体膜‚以恒温水 流模拟血液的灌注作用‚结合相应的传热模型和设 计的遗传算法‚测量体模的热特性参数‚并与采用已 有成熟方法获得的热特性参数值（真值）进行比较‚ 结果如表2所示． 表1 k、wb、ρc 和 hA 仿真估计结果 Table1 Simulation results of estimation for three parameters k‚wb‚ρc‚and hA 类别 k／（W·m —1·℃—1） wb／（kg·s —1·m —3） ρc／（J·m —3·℃—1） hA／（W·m —2·℃—1） 真值 0∙48 3∙0 3134040 10∙023 最优个体 0∙48006 3∙0073 3∙14×106 10∙026 平均估计值 0∙48007 2∙9972 3∙13×106 10∙023 平均估计误差／％ 0∙0138 0∙0923 —0∙0237 —0∙001 图4 动态体模实验示意图 Fig．4 Experimental apparatus for a phantom 由表2可知‚导热系数和血液灌注率的测量误 差小于5％‚体积热容的测量误差在5％左右．同一 实验条件下的多组实验结果表明‚所提出的测量方 法具有较好的可重复性和稳定性．因此‚采用设计 的遗传算法‚能以较好的测量精度同时估计动态等 效体模的多个热特性参数． 表2 动态体模的热特性参数测量结果 Table2 Results of thermal parameter measurements for dynamic tissue phantom 类别 k／（W·m —1·℃—1） wb／（kg·s —1·m —3） ρc／（J·m —3·℃—1） hA／（W·m —2·℃—1） 真值 0∙590 0∙97 1011560 10∙00 最优个体 0∙5966 1∙0147 1∙0424×106 10∙18 平均估计值 0∙583 0∙98 1∙06×106 10∙281 平均估计误差／％ —1∙118 2∙369 5∙095 2∙81 平均值±标准差 0∙583±0∙02 0∙98±0∙04 1∙06×106±0∙02×106 10∙281±0∙3 ·1320· 北 京 科 技 大 学 学 报 第30卷