SCI一区TOP|肺功能优化算法（LPO）原理及实现【免费获取Matlab代码】

---

1.背景

2024年，M Ghasemi受到人体肺部的规律和智能表现启发，提出了肺功能优化算法（Lung Performance-based Optimization, LPO）。

2.算法原理

2.1算法思想

LPO灵感来源于人体肺部的规律和智能表现，其借鉴了呼吸系统的复杂机制和适应能力。肺部在氧气交换中表现出了非凡的效率，展示了其功能的高度优化。

参数意义

2.2算法过程

LPO数学模型

肺是人体内的一个关键器官，负责从周围空气中过滤氧气，并有效地将其输送到循环系统。呼吸系统可以进行电气建模，评估肺功能最广泛使用的方法是强迫振荡技术。该技术涉及在呼吸系统入口测量空气压力和气流速率，这使得可以计算其电阻抗。通过扩散在组织片中传递的气体体积遵循菲克定律:
$$\overrightarrow{V}=\frac{AK}{d}\overrightarrow{\Delta P}\text{\hspace{1em}(1)}$$
其中，ΔP为压力梯度，A为横截面积，d为薄板厚度，K为气体扩散系数。各参数表述为:
$$\begin{array}{rl}& \Delta P=V\times \left(\sqrt{R^2+{\left(\frac{1}{2\pi \times fr\times RC}\right)}^2}\times \sin (2\pi \times fr\times t)\times \sin (2\pi \times fr\times t+\theta )\right)\\ & \theta ={\tan }^{-1}\left(\frac{1}{2\pi \times fr\times RC}\right)\end{array}\text{\hspace{1em}(2)}$$

氧气摄入过程

肺部从空气中分离出的氧气带入血液中，血液质量Mi等同于问题空间中的个体移动。血液通过施加在其上的压力来移动，因此氧气从施加更多压力的一侧移动到施加较少力的一侧，即从较好的适应度值移向较弱的适应度值：
$$M_i^{new,2}=M_i^{new,1}+K_{i1}\times {\alpha }_i\times \left(M_i^{new,1}-M_1\right)+K_{23}\times {\alpha }_i\times \left(M_3-M_2\right)\text{\hspace{1em}(3)}$$
Kij 控制着第 i 个血液质量Mi，在动脉中的移动方向:
$$K_{ij}=sign\left(f\right(M_j)-f(M_i))=\{\begin{array}{c}1iff(M_i)<f\left(M_j\right)\\ -1iff(M_i)>f\left(M_j\right)\\ 0iff(M_i)=f\left(M_j\right)\end{array}\text{\hspace{1em}(4)}$$

排出二氧化碳过程

论文将此动作建模为群体组成和交叉:

其中，si为似然值，由于肺对血液的净化作用，该似然值随着每次呼气而减小，与吸气呼气次数N呈反比关系:
$$s_i=\frac{rand}{N_e}\text{\hspace{1em}(5)}$$

在每次迭代中，吸气和呼气执行 Ne 次。如果在每个节点期望的质量有所提高，它将取代当前位置：
$$M_i^{new,1}=M_i+M_{ij}^{new,3}\times \left(\sqrt{R_i^2+{\left(\frac{1}{2\pi \times fr\times R_i{C}_i}\right)}^2}\times \sin (2\pi \times fr\times t)\times \sin (2\pi \times fr\times t+{\theta }_i)\right)\text{\hspace{1em}(6)}$$

伪代码

3.结果展示

迭代次数20w次仍未收敛🤣

4.参考文献

[1] Ghasemi M, Zare M, Zahedi A, et al. Optimization based on performance of lungs in body: Lungs performance-based optimization (LPO)[J]. Computer Methods in Applied Mechanics and Engineering, 2024, 419: 116582.

5.代码获取