مدیریت استراتژیک هوشمند

مدیریت استراتژیک هوشمند

کنترل مقاوم انسولین در شرایط عدم قطعیت با استفاده چارچوبی ترکیبی از منطق فازی و الگوریتم‌های متاهیوریستیک

نوع مقاله : مقاله پژوهشی

نویسندگان
فرشاد جعفریه
محمدرضا ثنایی
گروه مدیریت فناوری اطلاعات، واحد قزوین، دانشگاه آزاد اسلامی، قزوین، ایران
bumara.3.2.15564.35879841749
چکیده
دیابت نوع یک، یکی از مهم‌ترین بیماری‌های مزمن متابولیکی است که کنترل دقیق و مداوم سطح گلوکز خون را ضروری می‌سازد. در این پژوهش، یک چارچوب ترکیبی مبتنی بر منطق فازی و الگوریتم‌های متاهیوریستیک برای کنترل مقاوم انسولین تحت شرایط عدم قطعیت پیشنهاد شده است. مدل پیشنهادی با بهره‌گیری از دو الگوریتم خفاش (BA) و مرد حریص (GMOA)، ساختار کنترل فازی شامل توابع عضویت و قواعد را به‌گونه‌ای بهینه‌سازی می‌کند که دقت تنظیم گلوکز حداکثر و مصرف انسولین حداقل شود. سیستم کنترل طراحی‌شده، بر پایه داده‌های شبیه‌سازی‌شده و واقعی آزمایش شده و عملکرد آن در مواجهه با نوسانات ناگهانی بررسی گردیده است. نتایج نشان می‌دهد که الگوریتم GMOA نسبت به BA عملکرد دقیق‌تری در تنظیم دوز انسولین و کاهش نوسانات گلوکز دارد. همچنین، مقایسه خروجی مدل با حل دقیق در محیط GAMS، اعتبار ساختار پیشنهادی را تأیید می‌نماید. این چارچوب می‌تواند پایه‌ای مناسب برای توسعه سیستم‌های بلادرنگ کنترل دیابت و طراحی سیستم‌های پوشیدنی هوشمند تلقی شود.
کلیدواژه‌ها
کنترل فازی
دیابت نوع یک
الگوریتم‌های متاهیوریستیک
بهینه‌سازی مقاوم
تنظیم انسولین

موضوعات

عنوان مقاله English

Insulin-resistant control under uncertainty using a hybrid framework of fuzzy logic and metaheuristic algorithms

نویسندگان English

Farshad Jafarieh
Mohammadreza Sanaei
Department of Information Technology Management, Qa .c., Islamic Azad University, Qazvin, Iran
چکیده English

Type 1 diabetes is one of the most important chronic metabolic diseases that necessitates accurate and continuous control of blood glucose levels. In this study, a hybrid framework based on fuzzy logic and metaheuristic algorithms is proposed for insulin-resistant control under uncertainty. The proposed model, using two algorithms, the bat (BA) and the greedy man (GMOA), optimizes the fuzzy control structure including membership functions and rules in such a way that the accuracy of glucose regulation is maximized and insulin consumption is minimized. The designed control system is tested based on simulated and real data and its performance in the face of sudden fluctuations is investigated. The results show that the GMOA algorithm has a more accurate performance than BA in adjusting insulin dose and reducing glucose fluctuations. Also, comparing the model output with the exact solution in the GAMS environment confirms the validity of the proposed structure. This framework can be considered a suitable basis for the development of real-time diabetes control systems and the design of smart wearable systems.

کلیدواژه‌ها English

Fuzzy control؛ Type 1 diabetes؛ Metaheuristic algorithms؛ Robust optimization؛ Insulin regulation&emsp
Yang, X. S. (2010). A new metaheuristic bat-inspired algorithm. In Nature Inspired Cooperative Strategies for Optimization (NICSO 2010) (pp. 65–74). Springer.
Dalla Man, C., Rizza, R. A., & Cobelli, C. (2007). Meal simulation model of the glucose-insulin system. IEEE Transactions on Biomedical Engineering, 54(10), 1740–1749.
Nozari, H. (2025). NeuroTwinceutics™ as a Neuromorphic Digital Twin Model for Predictive and Personalized Pharmacotherapy. Transformative Science, 1(1), 1–8.
Palerm, C. C. (2011). Physiologic insulin delivery with insulin feedback: A control systems perspective. Computer Methods and Programs in Biomedicine, 102(2), 130–137.
Kovatchev, B. P., Renard, E., & Cobelli, C. (2011). Safety of outpatient closed-loop control: first randomized crossover trials of a wearable artificial pancreas. Diabetes Care, 34(7), 1805–1811.
Hovorka, R. (2006). Continuous glucose monitoring and closed-loop systems. Diabetic Medicine, 23(1), 1–12.
Steil, G. M., Rebrin, K., Darwin, C., Hariri, F., & Saad, M. F. (2003). Feasibility of automating insulin delivery for the treatment of type 1 diabetes. Diabetes, 52(9), 2463–2470.
Magni, L., Raimondo, D. M., Bossi, L., Man, C. D., & Cobelli, C. (2009). Model predictive control of type 1 diabetes: An in silico trial. Journal of Diabetes Science and Technology, 3(5), 1091–1098.
Kovatchev, B. P., Breton, M., Dalla Man, C., & Cobelli, C. (2009). In silico preclinical trials: a proof of concept in closed-loop control of type 1 diabetes. Journal of Diabetes Science and Technology, 3(1), 44–55.
Patek, S. D., Magni, L., Dassau, E., et al. (2009). Modular closed-loop control of diabetes. IEEE Transactions on Biomedical Engineering, 56(2), 407–416.
Zarkogianni, K., Litsa, E., Mitsis, K., et al. (2015). A review of emerging technologies for the management of diabetes mellitus. IEEE Transactions on Biomedical Engineering, 62(12), 2735–2749.
Riazi, A., Sadeghian, A., & Salehi, M. (2018). Fuzzy logic-based modeling and control for blood glucose regulation: A review. Artificial Intelligence in Medicine, 87, 35–49.
Talbi, E. G. (2009). Metaheuristics: From Design to Implementation. Wiley.
Yang, X. S. (2011). Bat algorithm for multi-objective optimization. International Journal of Bio-Inspired Computation, 3(5), 267–274.
Yang, X. S., & He, X. (2013). Bat algorithm: literature review and applications. International Journal of Bio-Inspired Computation, 5(3), 141–149.
Nozari, H., & Abdi, H. (2024). Greedy Man Optimization Algorithm (GMOA): A novel approach to problem solving with resistant parasites. Journal of Industrial and Systems Engineering, 16(3), 106–117.
Fister, I., Yang, X. S., Fister Jr, I., Fister, D., & Brest, J. (2014). A comprehensive review of bat algorithm and its applications. Swarm and Evolutionary Computation, 27, 10–24.
Grossmann, I. E., & Biegler, L. T. (2004). Part II. Future perspective on optimization. Computers & Chemical Engineering, 28(8), 1193–1218.
Lewis, D. M. (2018). Real-world use of open source artificial pancreas systems. Journal of Diabetes Science and Technology, 12(4), 868–870.