فایل ورد کامل کنترل فشار خون با PID و الگوریتم ژنتیک

    
فهرست مطالب
فصل اول :مقدمه    6
فصل دوم: بیماری فشارخون و روش های درمان پزشکی    9
۲-۱  مقدمه    9
۲-۲  تعریف فشار خون    11
۲-۳ انواع فشار خون    13
۲-۳-۱ علائم    13
۲-۳-۲  تشخیص    13
۲-۳-۳  درمان    13
۲-۴ افزایش فشار خون    16
۲-۴-۱  شکل فشار خون بدخیم یا تشدید شده    17
۲-۵  عوارض ناشی از فشار خون بالا    18
۲-۵-۱  نارسایی قلبی    18
۲-۵-۲  نارسایی کلیه    18
۲-۵-۳  ضعف بینایی    19
۲-۵-۴  سکته مغزی    19
۲-۵-۵  حمله گذرای ایسکمی    19
۲-۵-۶  فراموشی    20
۲-۵-۷  بیماری عروق قلبی    20
۲-۵-۸   سکته (حمله) قلبی    20
۲-۵-۹  بیماری عروق محیطی    21
۲-۶  شیوه های درمان فشار خون بالا    21
۲-۷  برخی داروهای پایین آورنده فشار خون    22
فصل سوم :استفاده از الگوریتم ژنتیک در تنظیم پارامترهای کنترلر PID    23
۳-۱ مقدمه    24
۳-۲ کنترلر PID    24
۳-۲-۱ مقدمه    24
۳-۲-۲ اجزای کنترلر    25
۳-۲-۳ PID پیوسته    26
۳-۲-۴ بهینه سازی کنترلر    27
۳-۲-۵ مشخصات کنترلر های تناسبی-مشتق گیر-انتگرالگیر    27
۳-۲-۶ مثالی از تنظیم پارامترهای کنترلر PID    28
۳-۲-۶-۱ کنترل تناسبی    30
۳-۲-۶-۲ کنترل تناسبی – مشتق گیر    30
۳-۲-۶-۳ کنترل تناسبی – انتگرالی    31
۳-۲-۶-۴ اعمال کنترلر PID    32
۳-۳  الگوریتم ژنتیک    33
۳-۳-۱  مقدمه    33
۳-۳-۲  تاریخچه الگوریتم ژنتیک    34
۳-۳-۳ زمینه های بیولوژیکی    35
۳-۳-۴- فضای جستجو    36
۳-۳-۵ مفاهیم اولیه در الگوریتم ژنتیک    37
۳-۳-۵-۱ اصول پایه    37
۳-۳-۵-۲ شمای کلی الگوریتم ژنتیک    37
۳-۳-۵-۳ کد کردن    38
۳-۳-۵-۴ کروموزوم    38
۳-۳-۵-۵ جمعیت    39
۳-۳-۵-۶  مقدار برازندگی    39
۳-۳-۵-۷ عملگر برش    40
۳-۳-۵-۸ عملگر جهش    42
۳-۳-۶  مراحل اجرای الگوریتم ژنتیک    44
۳-۳-۷ همگرایی الگوریتم ژنتیک    49
۳-۳-۸  شاخص های عملکرد    50
۳-۳-۸-۱ معیارITAE      50
۳-۳-۸-۲ معیار IAE 50
۳-۳-۸-۳ معیار ISE 50
۳-۳-۸-۴ معیار MSE 51
۳-۴ تنظیم پارامترهای کنترلر PID با استفاده از الگوریتم ژنتیک    51
۳-۴-۱ تاریخچه    51
۳-۴-۲ نحوه تنظیم پارامترهای کنترلر PID با استفاده از الگوریتم ژنتیک    52
۳-۵ مدل سازی ریاضی سیستم تنظیم فشار خون    53
۳-۵-۱ مقدمه    53
۳-۵-۲ مدل های دینامیکی توسعه داده شده    54
۳-۵-۲-۱ مدل اول    54
۳-۵-۲-۲ مدل دوم    55
۳-۵-۲-۳ مدل سوم : ( مدل دینامیکی سیستم فشارخون در پاسخ به داروی کاهنده فشارخون تری متافان کامیسیلات )    56
۳-۵-۲-۴ مدل چهارم    58
۳-۶ پیاده سازی سیستم تحویل دارو برای تنضیم فشارخون    59
فصل چهارم : الگوریتمهای هم تکاملی هم کارانه    62
۴-۱  مقدمه    62
۴-۱-۱  مفهوم هم تکاملی در طبیعت    62
۴-۱-۲ الگوریتم های هم تکاملی ( CEAs)    63
۴-۲  تاریخچه    64
۴-۳  چرا از الگوریتمهای هم تکاملی استفاده می کنیم؟    65
۴-۳-۱ فضای جستجوی بزرگ یا نامحدود    66
۴-۳-۲ عدم وجود یا مشکل بودن بیان ریاضی معیار مطلق برای ارزیابی افراد    66
۴-۳-۳ ساختارهای پیچیده و یا خاص    67
۴-۴  معایب هم تکاملی    69
۴-۵  طبقه بندی الگوریتم های هم تکاملی    70
۴-۵-۱ ارزیابی    71
۴-۵-۱-۱ کیفیت و چگونگی Payoff    73
۴-۵-۱-۲  روش های اختصاص برازندگی    73
۴-۵-۱-۳ روش های تعامل بین افراد    74
۴-۵-۱-۴  تنظیم زمان به هنگام سازی    75
۴-۵-۲  نحوه نمایش    76
۴-۵-۲-۱  تجزیه مسأله به اجزای کوچکتر    76
۴-۵-۲-۲  توپولوژی فضایی    76
۴-۵-۲-۳ ساختار جمعیت    76
۴-۶  چهارچوب کلی الگوریتم هم تکاملی همکارانه    77
۴-۷  مقاوم بودن در الگوریتم های هم تکاملی هم کارانه    77
۴-۸  تئوری بازیها و تحلیل الگوریتم هم تکاملی همکارانه بر اساس مفاهیم تئوری بازی تکاملی    79
۴-۹  زمینه های کاربرد الگوریتم های هم تکاملی    82
فصل پنجم : شبیه سازی ها و نتایج    85
۵-۱ مقدمه    86
۵-۲ کنترل بهینه فشارخون حین عمل جراحی توسط الگوریتم ژنتیک    86
۵-۲-۱ شبیه سازی سیستم کنترل اتوماتیک فشارخون با کنترلر PID والگوریتم ژنتیک    86
۵-۲-۱-۱ انتخاب مدل ریاضی    86
۵-۲-۱-۲ انتخاب کنترلر    87
۵-۲-۱-۳ انتخاب تابع برازندگی برای الگوریتم ژنتیک    88
۵-۲-۱-۴ اعمال کنترلر و عمل کردن الگوریتم ژنتیک    89
۵-۲-۲ نتایج شبیه سازی    91
۵-۲-۳ پاسخ های حاصل از اجرای برنامه شبیه سازی شده    92
فصل ششم : نتیجه گیری و پیشنهادات    95
۶-۱ نتیجه گیری    96
۶-۲ پیشنهادات    96
مراجع    97

فصل اول :مقدمه
امروزه کنترل اتوماتیک ، نقش مهمی در پزشکی مدرن ایفا می نماید . از کاربردهای کنترل در پزشکی ، سیستم های تزریق انسولین[۱،۲] ، کنترل تنفس[۳،۴] ، قلب مصنوعی[۵،۶] و کنترل اندام های مصنوعی[۷] را میتوان نام برد.
از دیگر کاربردهای مهم و حیاتی کنترل در پزشکی ، کنترل فشار خون است . بطور ساده می توان گفت ، فشار خون متناسب با برون ده قلبی و مقاومت رگ ها است ، لذا برای کاهش فشار خون در فشار خون بالا می توان ، برون ده قلبی و یا مقاومت رگی را کاهش داد.[۸] روش معمول برای کاهش فشار خون ، کم کردن مقاومت رگی ، از طریق تزریق داروهای بازکننده رگ است .
داروی کاهنده فشار خون مورد استفاده در این پایان نامه ، داروی سدیم نیترو پروساید  است که از طریق مهار پیام عصبی از گره های سمپاتیک و پاراسمپاتیک فشارخون را کاهش می دهد . [۹،۱۰]
می توان گفت ، یکی از مهمترین عوامل در عمل جراحی کنترل فشارخون است .[۱۱] زیرا در این حالت افزایش فشارخون ممکن است ، به خونریزی شدید و حتی مرگ بیمار منجر گردد . به طور کلی ،    می توان کنترل فشار خون در عمل جراحی را به دو دسته کلی کنترل فشار در حین عمل جراحی و بعد از عمل جراحی تقسیم بندی نمود .
کنترل فشار خون بعد از عمل جراحی ، معمولاً در بیماران قلبی که عمل بای پس عروق کرونری  داشته اند انجام می گیرد ،[۱۲،۱۳] زیرا در این بیماران خطر افزایش فشار خون وجود دارد .کنترل فشار خون در حین عمل جراحی از اهمیت ویژه ای برخوردار است ، از دلایل آن می توان به کاهش خون ریزی داخلی ، آشکارسازی جزئیات ساختارهای آناتومی بدن که ممکن است توسط خونریزی محو شده باشند و همچنین تسریع و تسهیل در عمل جراحی ، اشاره کرد .[۱۴]
محققین زیادی در رابطه با کنترل فشار خون به تحقیق پرداخته اند . در اواخر دهه ?۹۷۰ سیستم های کنترل فشارخون گسترش زیادی یافتند . شپارد  [15] یک کنترل کننده PID را برای کنترل فشار خون بکار برد ، ولی این کنترل کننده نتوانست نسبت به اختلافات جزئی پاسخ به داروهای هایپوتنسیو عملکرد خوبی داشته باشد . استفاده از کنترل تطبیقی توسط ویدرو  [16] ، آنسپارگر  و همکارانش[۱۷] بررسی شد ، ولی این روش نیز نسبت به اغتشاشهای موجود ، کارایی خوبی نداشت . کویوو  [18]، سیستم کنترل فشار خونی را در یک سطح پایین نگه می داشت ولی محدوده فشارخونی که می تواست به عنوان مرجع در نظر گرفته شود ، کم بود . فوکوی  و ماسوزاوا  [19] از منطق فازی برای کنترل فشار خون استفاده کردند ، بطوریکه فشار خون را در یک سطح بالا ، برای بعضی کاربردهای پزشکی ، کنترل می نمودند ولی نوسانات به سادگی در پاسخ ظاهر می شدند ، زیرا وجود زمان مرده در پاسخ را در مرحله طراحی در نظر نگرفته بودند .[۴۷]
الگوریتم ژنتیک ، یک روش بهینه سازی تصادفی است که ایده اولیه آن از مکانیسم انتخاب طبیعی و ژنتیک تکاملی گرفته شده است ،[۲۰]  این روش بهینه سازی با روش جستجوی موازی از مؤثرترین روش های بهینه سازی است .
در این پروژه ، با استفاده از الگوریتم ژنتیک و الگوریتم های هم تکاملی هم کارانه  ، کنترل کننده PID بهینه برای کنترل فشارخون حین عمل جراحی طراحی گردیده است . با استفاده از این روش ، می توان سطح فشار خون را در سطح دلخواه با خطای حالت ماندگار صفر تنظیم نمود .
در فصل دوم این پایان نامه ، در رابطه با فشار خون و روش های درمان پزشکی آن صحبت خواهد شد . فصل سوم به بررسی کنترلر PID و الگوریتم ژنتیک و مدل های ریاضی موجود برای سیستم فشارخون و همچنین تنظیم پارامترهای کنترلر PID با استفاده از الگوریتم ژنتیک ، اختصاص داده می شود . در فصل  چهارم الگوریتم های هم تکاملی هم کارانه و استفاده از آن ها برای تنظیم پارامترهای کنترلر PID مورد بحث قرار خواهد گرفت .  در فصل پنجم نتایج به دست آمده از شبیه سازی سیستم فشار خون و طراحی کنترلر آن مورد مطالعه قرار گرفته و در نهایت در فصل ششم ، نتایج بدست آمده از این تحقیق بیان شده و پیشنهاداتی برای مطالعات آینده ارائه خواهد گردید .

 فصل دوم: بیماری فشارخون و روش های درمان پزشکی
۲-۱  مقدمه
در فصل قبل اهمیت ویژه کنترل اتوماتیک فشارخون در حین عمل جراحی و همچنین تحقیقاتی را که در این رابطه محققین زیادی انجام داده اند اشاره شد ، حال می خواهیم در مورد بیماری فشار خون مفصل تر بحث کنیم .
دستگاه قلب و عروق بدن انسان از یک پمپ با عنوان قلب و کیلومتر ها راه ارتباطی بین اعضا سراسر بدن با عنوان عروق تشکیل شده است.[۲۵]
خون تصفیه شده توسط یک رگ بزرگ با عنوان آئورت از قلب خارج می شود، در مسیر خود به قسمت های کوچکتر تقسیم شده و پس از چندین تقسیم سر انجام به مویرگ های کوچکی تبدیل می شود که به خاطر داشتن منافذ ریز در مسیر خود، کار تبادل مواد و انرژی را با بافت ها انجام می دهند.
این مویرگ های کوچک خود مجددا بزرگ و بزرگتر شده و سرانجام از به هم پیوستن همه ی آنها دو سیاهرگ فوقانی و تحتانی بزرگ بوجود آمده که خون را به قلب وارد می کنند. این خون توسط شریان ریوی به ریه ها برده شده و پس از تصفیه مجددا به قلب بر می گردد تا همان طور که در ابتدا گفته شد توسط شریان آئورت از قلب خارج گردد.
به طور تقریبی کل خونی که در دستگاه قلب و عروق جریان دارد، چیزی حدود ۵ لیتر است و تمام این ۵ لیتر در طول یک دقیقه به قلب وارد شده و از آن خارج می شود. برای آنکه خون بتواند در بدن و در درون رگ ها گردش داشته باشد لازم است که همواره دارای فشار باشد، این فشار را قلب تامین می کند، یعنی با استفاده از قدرت عضلانی خود باز و بسته شده و خون را به گردش در می آورد.
در انتهای هر بار باز شدن، چیزی حدود ۱۰۰ میلی لیتر خون در قلب وجود دارد که وقتی بسته می شود حدود ۸۰-۷۰ درصد آن وارد ابتدای آئورت می کند. وقتی این خون وارد ابتدای آئورت، می شود، فشاری ایجاد می کند که به آن فشار ماکزیمم گفته می شود، حالا قلب شروع به باز شدن می کند تا خون را از ریه ها و همچنین از قسمت های مختلف بدن وارد خود کند. اکنون دریچه ای که در ابتدای آئورت وجود دارد بسته می شود و خون راهی ندارد جز اینکه در مسیر آئورت به راه خود ادامه دهد. خونی که وارد ابتدای آئورت شده بود و فشار ماکزیمم را ایجاد می کرد اکنون به تدریج کم می شود و بدنبال آن طبیعی است که فشار آن هم کم شود اما این فشار به صفر نمی رسد زیرا در مسیر تخلیه آئورت زمانی می رسد که قلب پر شده و مجددا می خواهد خون خود را تخلیه کند. فشار درون شریان آئورت، قبل از باز شدن مجدد دریچه، فشار مینیمم نامیده می شود. از آنجایی که دیواره ی عروق بزرگ و از جمله آئورت خاصیت الاستیسیته دارند ، این فشار ها در مسیر رگ های بزرگ بدن قابل انتقال و همچنین قابل اندازه گیری هستند. . فشار خون سرخرگ ها بوسیله میزان تلاش قلب و سلامتی عروقی خونی مشخص می شود. فشار خون بالا یا هیپرتاسیون  زمانی رخ می دهد که این فشار افزایش یابد.
با توجه به آنچه گفته شد فشار خون در قسمت های مختلف بدن، قابل اندازه گیری است اما بر اساس تجربه بهترین محل اندازه گیری فشار خون، قسمت فوقانی ساعد است.
برای اندازه گیری هر چیزی واحدی وجود دارد و واحد اندازه گیری فشار خون یا در واقع واحد اندازه گیری فشاری که در ابتدای آئورت وجود دارد میلی متر جیوه است که البته در محاوره و در گفتگو های میان پزشک و بیمار بخاطر سهولت از واحد بزرگ تر یعنی سانتی متر جیوه استفاده می شود.
۲-۲  تعریف فشار خون
فشار خون از نظر همودینامیک عبارتست از  نیرویی که خون بر دیواره رگ هایی که در آن جریان دارد وارد می کند. ازدیاد فشار خون از افزایش برون ده قلبی با بالا رفتن مقاومت عروقی و یا هر دو ناشی می شوند. مطالعات مختلف نشان داده که در تمام سطوح فشار خون، خطر مرگ و میر در اثر بیماری های قلبی عروقی متناسب با بالا رفتن میزان فشار خون افزایش می یابد. در واقع نمی توان مرز مشخصی را به عنوان مرز فشار خون طبیعی و فشار خون بالا تعریف کرد، چون فشار خون متغیری است که به صورت پیوسته در جامعه توزیع شده و معیار مشخصی برای طبیعی و یا غیر طبیعی بودن آن وجود ندارد. در واقع فشار خون بالا سطحی از فشار خون است که در آن فواید درمان، بیش از خطر های عدم درمان باشد. فشار خون طبیعی بر اساس فشار سیستولی پایین تر از ۱۲۰mmHg و برای فشار خون دیاستولی پایین تر از ۸۰mmHg است و فشار خون دیاستولی ۸۰ تا ۹۰ و سیستولی ۱۲۰ تا ۱۳۹ به عنوان پره هایپرتانسیون شناخته می شود. شیوع فشار خون بالا در جوامع گوناگون متفاوت بوده و از حدود ۱۰ تا ۶۰ درصد متغیر می باشد. هر چه فشار خون بیشتر باشد، خطر بیماری های قلبی عروقی بیشتر و امید به زندگی کمتر خواهند بود.
فشار خون بالا زمانی ایجاد می شود، که فشار خون در دیواره ی رگ ها بیش از حد معمول بالا رود. این وضعیت بسیار خطرناک است، زیرا گاهی اوقات تاثیرات مخرب آن در مرور زمان افزایش می یابد و حتی ممکن است تا زمانی که به بالاترین حد ممکن نرسیده باشد، مشخص نشود، این مسئله باعث شده است که گاهی از فشار خون به “کشنده آرام” هم یاد کنند. مخالف آن یعنی فشار خون پایین زمانی اتفاق می افتد که فشاری که خون را در رگ ها به سمت قلب و مغز و سایر اعضا داخلی بدن می رساند، بسیار کم شود که باعث سر گیجه و منگی می شود.
فشار خون طبیعی اغلب متغیر است. میزان فشار خون از فردی به فرد دیگر تغییر کرده و در هر فرد طی روز به طور طبیعی بر اساس کار قلب بالا یا پایین می رود. با افزایش سن فشار خون به آرامی بالا می رود. در یک فرد جوان طبیعی، متوسط فشار خون حدود ۸۰/۱۲۰ است. به طور ایده آل فشار خون باید زیر ۸۵/۱۴۰ باشد. اگر فشار خون به طور مداوم از این میزان بالاتر رفت و مثلا به ۹۰/۱۶۶ رسید، نیازمند درمان است. برای اندازه گیری فشار خون، دو عدد باید مورد توجه قرار بگیرد: عدد سیستولی (انقباض قلب) و عدد دیاستولی(انبساط قلب)….

مراجع
[۱] A. M. Albisser and J. Tiran,”A mathematical modeling stuffy of insulin with closed-and-open loop control,” in Proc. IEEE Int. Symp. Circuits Syst., PP.489-492, 1980,
[۲] A. H. Clemens, “Feedback Control dynamics for glucose controlled insulin infusion system,” Med. Progr. Technol., Vol. 6, PP. 91-98, 1979.
[۳] F. W. Chapman,J. C. Newell, and R. J. Roy, “A feedback controller for ventilatory therapy,” Ann. Biomed. Eng., Vol. 8, PP. 359-372, 1985.
[۴] R. K. Millard, P. Hutton, E. Pereira and C. Prys Roberts, “On using a self-tuning controller for blood pressure regulation during surgery in man,” Comput. Biol. Med., Vol 1, No. 1, PP. 1-18, 1987.
[۵]T. Kitamura, K. Matsuda and H. Akashi, “Adaptive control technique for artificial hearts,” IEEE Trans. Biomed. Eng., Vol. 33, PP. 839-844, 1986.
[۶] K. Sagawa,”Closed loop physiological control of the heart,” Ann. Biomed Eng., Vol. 8,PP. 415-429, 1980.
[۷]D. S. Childress, “Closed loop control in prosthetic systems: historical perspectice,” Ann. Biomed. Eng., Vol. 8, PP. 293-303, 1980.
[۸] S. Isaka, A. V. Sebald, “Control Strategies for arterial blood pressure regulation” IEEE Trans. Biomed. Eng. Vol. 40. No. 4. A, PP. 353-363 April 1993
[۹] ح . نصری ، آ . برادران ، فشارخون بالا ، انتشارات مرید ، دانشگاه علوم پزشکی و خدمات درمانی شهرکرد ، چاپ اول ۱۳۸۲
[۱۰] حجت الله اکبرزاده پاشا ، حیدر اکبرزاده پاشا ، اباذر اکبرزاده پاشا ، راهنمای کلینیکی داروها ، مرکز نشر پاشا ، چاپ ششم ، تابستان ۱۳۷۶
[۱۱] Y. Gao and M. J. Er, “An Intelligent adaptive control scheme for postsurgical blood pressure regulation,” IEEE Trans. Neural Networks,vol. 16, No. 2, PP. 475-483,March 2005
[۱۲] J. Ma, K. Y. Zhu and S. M. Krishnan, “Automatic postoperative blood pressure control,” Proc. 22nd Annual EMBS Inter. Conf. PP. 817-820,July 2000
[۱۳] J. W. Huang, C. M. Held and R. J. Roy, “Drug infusion for control of blood pressure during anesthesia” Proc. American Control Conf. PP. 3488- 3492 June 2000
[۱۴] ع . ا . قره ویسی و گ .  حسنی فرد ، “طراحی سیستم کنترل فشارخون بیمار با استفاده از روش پسگام ” پنجمین کنفرانس مهندسی پزشکی ایران ، ۱۳۸۴
[۱۵] L. C. Sheppard, “Computer control of the infusion of  vasoactive drugs,” Ann. Biomed. Eng., vol. 8, pp. 4 3 1 4 , 1980.
[۱۶] B. Widrow, “Adaptive model control applied to realtime blood-pressure regulation,” Black C Ed, Pattern Recognition and Machine Learning. McGraw- Hill, Berlin, 1985, pp. 310-324.
[۱۷] J. M. Amsparger, B. C. McInnis, J. R. Glover, and N. A. Nomann, “Adaptive control of blood pressure,” IEEE Trans. Biomed. Eng., vol. BME-30, no. 3, pp. 168-176, 1983.
[۱۸] A. J. Koivo, “Automatic continuous-time blood pressure control in dogs by means of hypotensive drug injection,” IEEE Trans. Biomed. Eng., vol. BME-27,
no. 10, pp. 574-581, 1980.
[۱۹] T. Masuzawa and Y. Fukui, “The control system for physiological system-optimal control of blood pressure by using vaso-active drugs,” JSPE (in Japanese), vol. 55, no. 2, pp. 406-411, 1989.
[۲۰] D. E. Goldberg, Genetic Algorithms in Search, Optimization, and machine learning, Addison-Wesley 1989
[۲۱] www.daneshnameh.ir
[۲۲] www.mms.ac.ir
[۲۳] www.thc.tums.ac.ir
[۲۴] دکتر جاویدیان نژاد صادق و دکتر حاجی بابایی ملوک ـ دکتر متولی ایرج ـ اطلاعات دارویی بالینی (داروهای ژنتیک ایران) ـ نشر علوم دانشگاهی ـ بهار ۷۶
[۲۵] دکتر T.R.H.Arison ، ترجمه دکتر فریدون احمدی استادیار دانشکده پزشکی مشهد “بیماری های خون” سال ۱۳۷۸
[۲۶] سیستم های کنترل اتوماتیک
[۲۷] Saifudin Bin Mohamed Ibrahim , “ The PID controller design using Genetic algorithm” . October,2005, university of southern Queensland Faculty of Engineering and Surveing .
[۲۸] www.engin.umich.edu/group/ctm/PID/PID.html
[۲۹] Charles L.Karr and L.M.Freeman “ Industrial Applications of Genetic Algorithms” CRC press 1999
[۳۰] Coley a David “ An Introduction to Genetic Algorithms for Scientists and Engineers” World Scientific : 1999
[۳۱]Edwin K.P Chong and Stanislaw H.Zak “An Interoduction to Optimizaition“ New York:Wiley Second Edition 2001
[۳۲] Jin-Sung Kim, Jin-Hwan Kim, Ji-Mo Park, Sung-Man Park, Won-Yong Choe and Hoon Heo “Auto Tuning PID Controller based on Improved Genetic Algorithm for Reverse Osmosis Plant” Peoceedings of World Academy of Science, Engineering and Technology Volume 30 July 2008 ISSN 1307-6884
[۳۳] Hung-Cheng Chen† and Sheng-Hsiung Chang ”Genetic Algorithms Based Optimization Design of a PID Controller for an Active Magnetic Bearing” IJCSNS International Journal of Computer Science and Network Security, VOL.6 No.12, December 2006
[۳۴] نادر نریمان زاده ، آدمین کاظمی ، رضا انصاری ، علی جمالی ، طراحی بهینه چند هدفی کنترل کننده های PID با استفاده از الگوریتم ژنتیک ” ۱۳۸۶ .
[۳۵] ” کنترل پروسه های صنعتی و تنظیم پارامترهای کنترلر PID با الگوریتم ژنتیک ” ، ۱۳۸۵ ، نهمین کنفرانس دانشجویی برق ، دانشگاه تهران .
[۳۶] مینا سلیم ، محمد تقی وکیل باغمیشه ، ” کنترلر PID با استفاده از دو روش الگوریتم ژنتیکی پیوسته و الگوریتم ملکه زنبور عسل و مقایسه دو روش ” .
[۳۷] M.V.SADASIVARAO  and  M.CHIDAMBARAM  “PID Controller tuning of cascade control systems using genetic algorithm”  , Department of Chemical Engineering, Indian Institute of Technology, Madras, Chennai 600 036, India. August 26, 2006
[۳۸] Dionisio S.Pereira , João O.P>Pinto , “Genetic Algorithm Based System Identification and  PID Tuning for Optimum Adaptive Control “ , July,2005 . International Conference on Advanced Intelligent Mechatronics Monterey , California , USA .
[۳۹] Ian Griffin, “ On-line PID Controller Tuning using Genetic Algorithms”, 2003 .
[۴۰] Dr J S Saini and Dr M Gopal and  Dr.A.P Mittal ,” Genetic Algorithm Based PID Tuner “May 31, 2005.
[۴۱] J.B.Slate , L.C.Sheppard , V.C.Rideout , and E.H.Blackstone, “ A Model for Design of a Blood Pressure Controller for Hypertensive Patients“, Ph.D.dissertation ,Univ. Wisconsin-Madison , no.8028208 , 1980 .
[۴۲] Jin Feng , Qu Bo and Zhu Kuanyi , “ Implementation  of  Drug Delivery system for Blood Pressure Regulation “ , 2006 .
[۴۳] J.B.Slate , “ Model-Based Design of  a Controller for Infusing Nitroprusside During Postsurgical Hypertensive “ , Ph.D Thesis , Univ. Wisconsin-Madison,1980 .
[۴۴] Meng Joo Er , Yang Gao , Adaptive Control Strategy for Blood Pressure Regulation Using a Fuzzy Neural Network , 2003 .
[۴۵] E.Furutani , M.Araki , T,Sakamoto and S.Maetani , “ Blood Pressure Control During Surgical Operations “ , IEEE Trans.Biomed.Eng. Vol.42,no.10,pp.999-1006 , 1995 .
[۴۶] J.B.Slate et al ., “ A Model for Design of a Blood Pressure Controller for Hypertensive Patients “  , presented at the  IFAC Symp.Ident.System Param. Est. , Darmstadt.Federal Republic of Germany , Sept .24-28 , 1979 .
[۴۷] مهدی نصری ، مسعود رشیدی نژاد ، علی اکبر قره ویسی ، حمزه صدیقی ” کنترل بهینه فشارخون بیمار حین عمل جراحی توسط الگوریتم وراثتی ” گروه مهندسی برق ،دانشکده فنی مهندسی دانشگاه شهید باهنر کرمان
[۴۸] Potter, M. and K. De Jong (1994). A cooperative coevolutionary approach to function optimization. See Davidor and Schwefel (1994), pp. 249–257
[۴۹] Potter, M. and K. De Jong (2000). Cooperative coevolution: An architecture for evolving coadapted subcomponents. MIT Press Journals, Evolutionary Computation 8(1), 1–29.
[۵۰] Moriarty, D. and R. Miikkulainen (1997). Forming neural networks through efficient and adaptive coevolution. Evolutionary Computation 5(4), 373–399.
[۵۱] Eriksson, R. and B. Olsson (1997). Cooperative coevolution in inventory control optimisation. In G. Smith, N. Steele, and R. Albrecht (Eds.), Proceedings of the Third International Conference on Artificial Neural Networks and Genetic Algorithms, University of East Anglia, Norwich, UK. Springer.
[۵۲] S. Abbasi and M.-R AkbarzadehT.(2004). agent-based Cooperative Coevolution for fuzzy systems. World Automation Congress, 2004. Proceedings
[۵۳] Xiaorong Chen (2003). Co-evolutionary Multi-Agent-Based Modeling of Artificial Stock Market by using the GP Approach. IEEE Computational Intelligence for Financial Engineering, 2003. Proceedings.
[۵۴] R. Paul Wiegand(2003). An Analysis of Cooperative Coevolutionary Algorithms. George Mason University PHD thesis.
[۵۵] Melanie Mitchell(2006). Coevolutionary Learning With Spatially Distributed Populations. WCCI.
[۵۶] Mitchell A. Potter and Kenneth A. De Jon (1994). A Cooperative Coevolutionary Approach to Function Optimization. Third Parallel Problem Solving From Nature Jerusalem Israel pp. 249-257 Springer Verlag,1994
[۵۷] R. Paul Wiegand William C. Liles1 Kenneth A. De Jong(2003). Analyzing Cooperative Coevolution with Evolutionary Game Theory. Proceedings of the 2002 IEEE Congress on Evolutionary Computation, 2002. CEC “02.
[۵۸] Kuntinee Maneeratana1, Kittipong Boonlong1 and Nachol Chaiyaratana (2004). Multi-objective Optimisation by Co-operative Co-evolution. Parallel Problem Solving from Nature – PPSN VIII
[۵۹] Mitchell A. Potter, Kenneth A. De Jong(2000). Cooperative Coevolution: An Architecture for Evolving Coadapted Subcomponents. The MIT Press Journals , by the Massachusetts Institute of  Technology.
[۶۰] Nanlin Jin(2005). Equilibrium Selection by Co-evolution for Bargaining Problems under Incomplete Information about Time Preferences. The 2005 IEEE Congress on Evolutionary Computation, 2005.
[۶۱] Popovici, E.; de Jong, K (2006). Sequential versus Parallel Cooperative Coevolutionary Algorithms for Optimization. Evolutionary Computation, 2006. CEC 2006. IEEE Congress on Volume , Issue , 16-21 July 2006
[۶۲] A. R. McIntyre and M. I. Heywood(2005). Toward Co-Evolutionary Training of a Multi-Class Classifier. Proceedings of the 2005 IEEE Congress on Evolutionary Computation.
[۶۳] Lindgren, K. (1992). Evolutionary phenomena in simple dynamics. In C. G. Langton et al. (editors), Artificial Life II, pp. 295–312. Reading, MA: Addison-Wesley.
[۶۴] Akiko Aizawa(2002). A coevolutionary framework for clustering in information retrieval systems. Proceedings of the Evolutionary Computation on 2002. CEC “02. Proceedings of the 2002 Congress – Volume 02
[۶۵] P. Gançarskia,∗,A. Blanschéa,A.Waniab(2007), Comparison between two coevolutionary feature weighting algorithms in clustering. Pattern Recognition 41 (2008) 983 – 994
[۶۶] M.-R AkbarzadehT., I. Mosavat’, S. Abbasi(2003). Friendship Modeling for Cooperative COEvolutionary Fuzzy Systems: A Hybrid GA-GP Algorithm. Proceedings of the 2003 Congress on Evolutionary Computation CEC2003.
[۶۷] B. Kouchmeshky, W. Aquino, J. C. Bongard2, § and H. Lipson2,(2006). Co-evolutionary algorithm for structural damage identification using minimal physical testing. International Journal For Numerical Methods In Engineering.
[۶۸] Mark E. Roberts and Ela Claridge(2004). Cooperative Coevolution of Image Feature Construction and Object Detection. In Proc. 8th Conf. on Parallel Problem Solving from Nature (PPSN VIII), volume 3242 of LNCS, pages 902–911. Springer, 2004.
[۶۹] Chern Han Yong and Risto Miikkulainen(2001). Cooperative Coevolution of Multi-Agent Systems. Technical Report AI01-287, Department of Computer Sciences, University of Texas at Austin,1999.
[۷۰] Andi Asmara, Renato A. Krohling, and Frank Hoffmann(2005). Parameter Tuning of a Computed- Torque Controller for a 5 Degree of Freedom Robot Arm using Co-evolutionary Particle Swarm Optimization.
[۷۱] Kicinger, R., Arciszewski, T., and De Jong, K. A. (2005). Evolutionary computation and structural design: a survey of the state of the art. Computers & Structures, Volume 83, Issues 23-24, Pages 1943-1978, 2005.
[۷۲] Michail Maniadakis. CoEvolutionary Approaches in Cognitive Robotic System Design.
[۷۳] Michail Maniadakis and Panos Trahanias(2006). Modelling Robotic Cognitive Mechanisms. Advances in Artificial Intelligence.
[۷۴] P Liatsis and C Ooi(2002). Tracking moving objects with coevolutionary snakes. Proceedings VIPromCom-2002. 4th EURASIP – IEEE Region 8 International Symposium on Video/Image Processing and Multimedia Communications (IEEE Cat. No.02EX553)
[۷۵] WANG Mei, WU Tie-jun(2004). Cooperative co-evolution based distributed path planning of multiple mobile robots. Journal of Zhejiang University SCIENCE.
[۷۶] Geoff Nitschke(2003). Co-evolution of cooperation in a Pursuit Evasion Game. Proceedings of the 2003 IEEWRSJ. Intl. Conference on Intelligent Robots and Systems.
[۷۷] Miller G F & Cliff D (1994), “Protean Behaviour in Dynamic Games: Arguments for the Coevolution of Pursuit-Evasion Tactics”, in D Cliff, P Husbands, J-A Meyer & S W Wilson (eds.) From Animals to Animats 3, MIT Press, pp411-420.
[۷۸] Pollack, J. B., Blair, A. D., and Land, M. (1996). Coevolution of a backgammon player. In C. G. Langton (editor), Proceedings of the Fifth Artificial Life Conference, pp. 92–98. Cambridge, MA: MIT Press.
[۷۹] Wang Gaoping and Wang Yongji(2005). A Game Model Based Co-evolutionary for Constrained Multiobjective Optimization Problems. IEEE Communications and Information Technology, 2005. ISCIT 2005.
[۸۰] Z. Zhang(2005) discriminant function for insulation fault diagnosis of power transformers using genetic programming and co-evolution. Proceedings of 2005 International Symposium on Electrical Insulating Materials, 2005. (ISEIM 2005 Vol. 3).