智能算法（精选11篇）
智能算法 篇1
摘要：智能算法的研究不仅有利于国民经济的各个方面,而且给人们的各种活动带来方便,具有一定的理论意义及巨大的应用前景。综述了优化算法的研究动态,评述了群智能算法的发展现状,为后续群智能算法研究提供理论基础。
关键词：优化,群智能算法,综述
0引言
随着科学技术的不断发展,人们在思考各类问题、做出最后决策时总要寻找到一种衡量标准来考量能否达到一个最优状态。在工业制造、科学研究、 国防建设、交通运输、工程研究、能源管理、资源利用、工程设计、生产调度管理、国防后勤供应、社会金融、化工结构设计、通信网络优化等诸多领域,人们总是想要寻找到某种可以在有限或者限定的条件下得到最佳结果的方法。因此,优化算法也随之孕育而生。
优化是指在合理的时间范围内为一个优化问题寻找最优可行解的过程,其中优化问题的可行解之间是可以进行量化比较的,所谓优化问题,就是满足一定的约束条件,寻找一组参数值,以使系统( 或函数) 的某些最优性度量得到满足,使系统的某些性能指标达到最大或者做小[1]。优化算法是解决优化问题的方法,其应用涉及社会活动的各个方面,范围较为广泛。
因此,对于优化算法的研究,不仅有利于国民经济的各个方面,而且给人们的各种活动带来方便,具有一定的理论意义及巨大的应用的前景。随着社会的不断进步,人们面对的问题的复杂性不断提高,伴随着计算机技术不断发展,人们运用计算技术进行优化设计也越来越多,更多的优化算法也随之涌现。 特别是在仿生学、遗传学以及人工智能等学科发展起来以后,研究人员将这些学科综合起来,把其中的原理及方法应用到优化问题上,智能优化算法随之产生。实践证明,智能优化算法在解决那些大规模、 高难度的优化问题时更加有效,寻优效率更高,因此,智能算法的研究,在寻找大规模、复杂问题的最优解方面具有很强的学术意义,同时,在整个社会经济发展方面提供更好的决策,具有一定的实际价值。
1优化算法研究动态
为了适应日趋增大的生产需求,伴随着计算机技术的不断发展,研究人员对于最优方案的取得进行了更加深入的研究,使得优化算法取得了长足的发展。目前按照核心处理技术把优化算法分为确定型优化算法和概率性优化算法。确定型优化算法出现时间较早,其中包括运筹学中线性规划、非线性规划、整数规划、分枝界定等传统算法以及爬山算法、 单纯形法等迭代算法。确定型优化算法利用数学方法直接求解或者利用迭代方法求解,其具有完整的理论基础,但却不能解决复杂性较高的大规模问题且寻优易陷入局部最优,只适合求解小规模问题,因此,在工程问题中往往不使用此法。
为了改善确定型优化算法的不足,概率型优化算法孕育而生。概率型优化算法是将随机搜索引入优化算法中,即优化搜索的下一步不是确定的,而是根据概率的大小进行选择,是有效避免陷入局部最优的最基本机制。概率型算法中最大一类为进化算法。进化算法EA( Evolutionary Algorithms) 是一个 “算法簇”,尽管它有很多的变化,有不同的遗传基因表达方式,不同的交叉和变异算子,特殊算子的引用,以及不同的再生和选择方法,但它们产生的灵感都来自于达尔文自然选择理论[2]及群体遗传学[3]。与传统的基于微积分的方法和穷举法等优化算法相比,进化计算是一种成熟的具有高鲁棒性和广泛适用性的全局优化方法,具有自组织、自适应、自学习的特性,能够不受问题性质的限制,有效地处理传统优化算法难以解决的复杂问题。其中包括进化规划[4]( Evolutionary Programming,EP) ,进化策略[5]( Evolution Strategies,ES ) ,遗传算法[6]( ( Genetic Algorithm,GA) ,遗传编程[7]( Genetic pro- gramming,GP ) ,差分进化[8]( Differential Evolution, DE) 等。虽然进化算法理论基础仍未完善,但是由于其应用范围较广且在各种应用中取得成功,因此, 进化算法至今仍是研究热点。
概率型算法还包括随机搜索[9]( Random Search,RS) 、禁忌搜索[10]( Tabu Search,TS) 、模拟退火[11]( Simulated Annealing,SA) 、分布估计算法[12]( Estimation of Distribution Algorithms,EDA) 、 文化算法[13]( Cultural Algorithms,CA) 等。随机搜索是利用随机数求极小点而求得函数近似的最优解的方法。变量允许的变化区间,不断随机地而不是有倾向性产生随机点,并计算其约束函数和目标函数的值,对满足约束条件的点,逐个比较其目标函数的值,将坏的点抛弃,保留好的点,最后便得到最优解的近似解,随机搜索效率比较差。禁忌搜索是对局部领域搜索的一种扩展,是一种全局逐步寻优算法,是对人类智力过程的一种模拟。其通过引入一个灵活的存储结构和相应的禁忌准则来避免迂回搜索,并通过藐视准则来赦免一些被禁忌的优良状态, 进而保证多样化的有效探索以最终实现全局优化。 模拟退火算法来源于固体退火原理,将固体加温至充分高,再让其徐徐冷却,加温时,固体内部粒子随温升变为无序状,内能增大,而徐徐冷却时粒子渐趋有序,在每个温度都达到平衡态,最后在常温时达到基态,内能减为最小。模拟退火算法从某一较高初温出发,伴随温度参数的不断下降,结合概率突跳特性在解空间中随机寻找目标函数的全局最优解,即在局部最优解能概率性地跳出并最终趋于全局最优。模拟退火算法是一种通用的优化算法,理论上算法具有概率的全局优化性能,目前已在工程中得到了广泛应用。分布估计的基本思想是将遗传算法与统计学习相结合,通过统计学习的手段建立解空间内个体分布的概率模型,然后对概率模型随机采样产生新的群体,反复如此,实现群体进化。文化算法提出了一种双层进化机制,文化作为一种将人以往的经验保存于其中的知识库,以供后人在知识库中学到没有直接经历的经验知识。文化算法正是基于此目的来模拟人类社会的演进过程而提出的。通过一个独立于种群空间的信仰空间,来获取和保存并加以整合解决问题的知识,使种群的进化速度超越单纯依靠生物基因遗传的进化速度,具有良好的全局优化性能。二十世纪六十年代,由于仿生学的提出,人们从仿生角度出发,开始对集群动物的自组织性行为进行研究,并通过数学建模方法及计算机仿真技术对该行为进行深入分析,群智能( Swarm Intelligence,SI) 由此产生。群智能作为人工智能一个重要分支,也属于概率型优化算法,是一种新兴的演化计算技术,现在越来越受到国内外学者的关注。
2智能优化算法研究动态
群智能算法具有“生成+检验”特征的算法,其主要原理是根据自然界生物的群体性特征来构造优化算法。算法把群体进化或觅食的过程与搜索和优化过程对应起来,把群体个体与搜索空间中的点对应起来,把群体适应的环境特征与搜索的目标函数对应起来,把优胜劣汰的过程与搜索过程中的较好的可行解替代较差可行解对应起来。自20实际90年代以来,群智能算法越看越受到学者们的关注,特别在近十几年间,新的算法层出不穷,应用的领域也越来越广泛。典型的群智能算法包括: 蚁群算法( Ant Colony Optimization,ACO) ,粒子群算法( Parti- cle Swarm Optimization,PSO ) ,鱼群算法( Artificial Fish School Algorithm,AFSA) ,细菌觅食算法( Bac- terial Foraging Algorithm,BFA) ,蛙跳算法( Shuffled Frog Leaping Algorithm,SFLA) ,人口迁移算法( Pop- ulation Migration Algorithm,PMA) ,蜂群算法( Artifi- cial Bee Colony, ABC ) ,萤火虫算法( Glowworm Swarm Optimization, GSO ) ,布谷鸟算法( Cuckoo Search,CS) ,细胞膜优化算法( Cell Membrane Opti- mization,CMO) 等。
1991年,意大利学者M. Dorigo[14]根据模仿蚂蚁觅食过程提出了蚁群算法。研究发现,蚂蚁虽然个体智能不高,但是蚂蚁群却能够通过协作,分析留下的信息素的多少,来判断路径的长短,从而找到食物源到蚁巢的最短距离。蚁群算法是个正反馈过程,即信息素越多的路径,聚集的蚂蚁就越多,蚂蚁选择这条路径的几率就越大。蚁群算法最早应用于旅行商问题,后又应用于求解调度、二次分配、图着色等NP问题。
1995年,美国的Kennedy和Eberhart[15]基于鸟群觅食行为提出了粒子群算法。粒子群算法是模拟鸟群飞行觅食的行为,通过鸟个体之间的协作达到群体寻优的目的。粒子群算法是群智能算法中比较有代表性的算法,应用范围较广。粒子群算法在对动物集群活动行为观察基础上,利用群体中的个体对信息的共享使整个群体的运动在问题求解空间中产生从无序到有序的演化过程,从而获得最优解。 粒子群优化算法中,每个优化问题的解都是搜索空间中的一只鸟。人们称之为“粒子”。所有的粒子都有一个由被优化的函数决定的适应值,每个粒子还有一个速度决定他们飞翔的方向和距离。然后粒子们就追随当前的最优粒子在解空间中搜索。粒子群算法的优势在于算法简单易实现,没有很多参数需要调整,且不需要梯度信息。粒子群算法对于解决非线性连续优化问题、组合优化问题和混合整数非线性优化问题十分有效。目前广泛应用于函数优化、神经网络模糊系统控制等领域。
2002年,我国学者李晓磊[16]模拟鱼群运动行为模式提出了鱼群算法。鱼群算法中将鱼群个体随机分布在包含着若干局部最优值和一个最优值的解空间中,把最优值看作是最大的食物浓度。人工鱼觅食、聚群、追尾和随机四种行为通过移动策略来控制,个体邻域通过视野来控制,搜索进度通过步长来控制,鱼群聚集的程度通过拥挤度因子来控制。鱼群每完成一次迭代,都要进行公告更新,用以公告最优状态。鱼群算法全局搜索能力较强,在参数估计、 神经网络、组合优化中得到广泛应用。
同年,Passino[17]模仿大肠杆菌在人体肠道内觅食行为提出细菌觅食算法。细菌觅食算法中优化问题的解对应搜索空间中细菌的状态,即优化函数适应值。细菌觅食算法包括趋化、复制和驱散3个步骤。趋化行为是指细菌在食物多的地方聚集,包括翻转行为和前进行为。翻转行为是指细菌朝任一方向前进,前进行为是通过比较翻转以后适应度函数来决定是否要前进。复制是让较差解的细菌继承较好解细菌的位置和步长。驱散行为是根据一定的概率把细菌驱散到搜索空间的任何位置上,以避免陷入局部最优。细菌觅食算法具有并行搜索,不易陷入局部最优等优点,在电气工程与控制、滤波器设计、模式识别等问题中具有较好的应用效果。
2003年,Eusuff[18]受到青蛙觅食特征的启发提出了蛙跳算法。蛙跳算法利用局部和全局搜索相结合的方式实现最优目标寻找。每只青蛙对应解空间的一个解,局部搜索利用青蛙个体之间思想的交流实现信息的互换,全局搜素是利用族群之间的思想信息的交换实现。青蛙根据适应度的好坏进行排序,适应度最差的青蛙进行更新进化,进化后进行各族群进化,寻找全局最优解。蛙跳算法全局搜索性强,易于实现,已经应用于水资源网络优化、调度安排、车间流水作业等领域。
同年,国内学者周永华、毛宗源[19]根据社会领域中人口随经济中心而转移、随人口压力增加而扩散的特点提出了人口迁移算法。当某个优惠地区的相对人口过剩,人口压力增加时,人们就会迁出该优惠地区去寻找更好更适合自己的优惠地区的这样一种规律。前者促使算法选择较好的区域搜索,后者可在一定程度上避免陷入局部最优点,搜索过程呈现交替进行集中搜索和分散搜索的特点。这体现了人口迁移过程中人口不断聚集和扩散的矛盾运动的特点。人口迁移算法全局性能较好,应用于输电网络扩展规划、神经网络等领域。
2005年,土耳其学者Karaboga[20]根据蜜蜂采蜜的行为提出了蜂群算法。蜜蜂随机分布在解空间中,把食物源与可行解对应起来,通过雇佣蜂、跟随蜂、侦察蜂三种蜜蜂进行可行解修正。雇佣蜂用来寻找花蜜比较高的食物,雇佣蜂搜索结束后,与跟随蜂进行信息交换。跟随蜂汇总所有的食物源信息, 选择拥有花蜜较高的食物源。侦查蜂的作用是避免局部搜索的蜜蜂。蜂群算法具有多角色分配与协同机制,已经应用于图像处理、组合优化、网络路由、函数优化、机器人路径规划等领域。
同年,印度学者Krishnan K. N. 和Ghose D.[21,22]受到萤火虫发光行为的启发提出了萤火虫算法。萤火虫算法中把萤火虫随机分散在解空间中,每个萤火虫对应一个解,萤火虫利用吸引行为和周围亮度作为更新的标准。萤火虫所处的位置越好,其周围亮度越高,吸引力就越好。位置不好的萤火虫将会被吸引到位置较好的萤火虫位置,进行位置更新。亮度相同时,萤火虫随机选择位置移动。 萤火虫算法具有全局收敛性,在多信号源检测、多模态函数优化、网络机器人系统等领域得到应用。
2009年,剑桥大学的Yang X. 和Deb S.[23]模拟布谷鸟寻窝产卵行为提出一种布谷鸟算法。布谷鸟随机寻找可以产卵的鸟窝且布谷鸟只产一个蛋,并把最好的鸟窝保留到下一代。一个寄宿巢的每个蛋代表一个可行解,一个布谷鸟蛋代表一种新的可行解。根据布谷鸟巢寄生繁殖机理利用新的可行解代替寄宿巢里不好的可行解,并利用莱维飞行搜索原理搜索路径。布谷鸟算法简单,易于实现,已经成功应用于工程优化的各个方面。
2011年,国内学者谭世恒[24]通过研究细胞膜及其运转物质的特征提出了细胞膜优化算法。细胞膜在运转时产生脂溶性物质、高浓度非脂溶性物质和低浓度非脂溶性物质三种物质。三种物质对应着三种特殊解。把脂溶性物质与较优解对应起来,把非脂溶性物质与较差解对应,通过脂溶性物质自由扩散,高浓度非脂溶性物质运动及低浓度非脂溶性物质运动,以及物质的更新,最后实现寻优。细胞膜优化算法具有并行进化、对参数设定要求不高等特点,在红外图像处理、函数优化等领域已经得到了一定的应用。
3结束语
随着学者对群智能算法的高度关注,越来越多的新的群智能算法不断涌现,但群智能算法仍然存在理论基础薄弱等一系列问题,这是今后群智能算法进一步深入研究的一大重要方向,而群智能算法应用领域的扩展则是智能算法研究的另外一个重要方向。
智能算法 篇2
基于修正因子智能权函数的汽车ABS模糊控制算法仿真研究
根据汽车ABS相关知识和模糊控制理论,建立了基于修正因子智能权函数的模糊控制算法,利用Maflab建立了ABS模糊控制总模犁及模糊控制器模型,对其进行仿真.结果显示,基于修正因子智能权函数的控制算法能使车轮的附着系数在最大附着系数附近微小波动,最佳的`利用路面的附着潜力,故此控制算法的制动效果较好.
作 者：李劲松 金志扬 LI Jin-song JIN Zhi-yang 作者单位：海南大学机电工程学院,儋州,571737 刊 名：汽车科技 英文刊名：AUTOMOBILE SCIENCE & TECHNOLOGY 年，卷(期)： “”(3) 分类号：U461.3 关键词：汽车防抱死制动系统 修正因子 智能权函数 模糊控制 仿真智能算法 篇3
摘要：安全策略切换判决算法的设计面临着这样一对矛盾：效率与性能。如何在保证效率的条件下提高安全切换判决算法的性能是安全策略切换算法设计的一个难点。本文提出了一种基于网络辅助终端判决的安全策略切换判决算法，将网络QoS性能的评估交给网络端完成，有效的降低了终端的计算量，提高了效率。另外由于不同安全应用有着不同的QoS要求，因此本文充分考虑了安全应用的安全业务类型，在网络端针对四种不同业务类型分别设计了基于模糊逻辑的网络QoS得分计算方法，满足了安全应用的QoS需求。此外，本文充分考虑到这样一种情况：当前的网络状况不能代表未来的网络状况，而网络状况的变化一般呈现出一定的变化趋势。因此，本文利用当前的网络状态来预测未来的网络状况，为安全策略切换判决提供了更加全面的网络QoS信息。
关键词：智能电网；安全策略；切换
中图分类号：TP391.41
文献标识码：A
DOI：10.3969/j.issn.1003-6970.2015.09.019
0 引言
随着我国智能电网的建设，网络向用户侧延伸，“互动化”的需求给公司目前的信息安全隔离体系提出了新的要求，在设计上遵循原有的三道防线架构不变。其中在智能电网互动化环境下信息安全隔离体系中的第一道防线中增加了互动化安全区，主要是为了实现用户通过互联网与电网之间的安全互动和智能终端接入的安全策略切换。传统的基于效用函数的安全策略切换算法一般会考虑RSS和其他参数，Xia R等人使用最优化的效用函数来达到用户满意度和网络安全效率的平衡。Li QM等人提出了一种以用户为分析中心的安全策略切换算法，这种方法的一个重要特性就是考虑用户的满意度，但是它只能适用于非实时的安全应用。Li QM，Zhang H等人提出了一种基于博弈论的切换算法，该算法基于贝叶斯纳什均衡点极大的减少了切换延迟，也使用户能够总是以最高的网络利用率和最合适的安全成本连接到最好的安全网络。虽然学者们已经提出了很多安全切换判决的算法，但是，现有的算法在代价和性能之间存在着矛盾，无法满足实际的应用需求。另外，从国内外的研究现状来看，对于支持安全策略切换的框架研究较少，而高效的切换框架能够有效地提升整个安全切换判决的性能。因此，异构网络的安全切换判决技术仍然是一个研究的重点，也是一个研究的热点。本文在前人的研究基础上，提出一种基于终端控制和网络辅助的安全切换判决算法，在算法中利用了一阶单变量灰色预测模型GM（1，1）和模糊逻辑系统这两个基本模型系统。
通过公式4的预测方程，我们可以利用样本数据来预测未来数据。
基于模糊逻辑的切换算法一般有三个部分：模糊化、模糊规则和去模糊化（清晰化）。网络QoS参数经过模糊化以后利用模糊规则输出模糊评价值，最后通过去模糊化得到网络的切换评价得分，如图l所示。可用带宽（Available Bandwidth）、端到端延迟（End to EndDelay，E2EDelay）、抖动（Jitter）、误码率（Bit ErrorRate，BER）作为4个输入参数，经过隶属度函数的模糊化以后得到一系列模糊值，交给判决模块，判决模块通过模糊逻辑规则（Fuzzy Rule）输出判决结果，判决结果还是一个模糊值，最后通过利用输出参数的隶属度函数去模糊化以后输出一个清晰值——网络安全切换判决得分。选择得分最高的一个网络作为切换的目标网络，执行安全策略切换，从当前服务网络切换到目标网络。
传统的基于模糊逻辑的安全切换判决算法一般在终端完成网络的安全切换判决，通过收集网络的信息以及终端和用户的信息作为模糊逻辑系统的输入参数，经过模糊逻辑系统的计算后得出一个综合安全切换判决得分，最后根据得分的高低做出安全策略切换的判决。如图2所示，终端判断接收信息强度RSS是否低于阈值，如果低于阈值则发起切换的判决。判决过程如下：首先检测周围的可用网络，然后获取网络的QoS等信息以及终端和用户的属性信息，接着利用模糊逻辑系统做出安全切换判决，最后选择一个切换得分最高的网络作为切换目标网络完成网络的切换。
（l）模糊化
模糊化的过程就是利用隶属度函数将输入参数模糊化，模糊集合一般设为{Low，Mediu，Hi曲}，隶属度函数如图3所示，本文提出的安全切换判决算法中采用的也是图3中所描述的三角形状的隶属度函数。
从图3可以看出，对于参数P和网络N，则有如下三点区域：
2 基于网络得分预测和模糊逻辑优化的安全切换判决算法
模糊逻辑对于处理模糊的不确定的信息具有天然的优势，因此已经有多位学者提出了基于模糊逻辑的安全切换判决算法，Li等人提出了一种优化的基于模糊逻辑的安全切换判决算法，将遗传算法应用到隶属度函数的优化中，实验结果表明该优化算法能够在保证用户满意度的前提下减少切换的次数，有效的避免了“乒乓效应”。然而此方法只考虑了3个参数：接收信号强度（RSS），网络费用（Cost），数据率（DataRate），并没有考虑终端的属性。Xia等人提出了一种考虑多属性的基于模糊神经的安全切换判决算法，该算法使用可用带宽（Bandwidth），终端移动速度，用户数，接收信号强度（RSS），能耗，网络覆盖范围作为输入参数，通过模糊神经做出安全切换判决。该算法综合考虑了多种参数，利用拥有自学习能力的模糊神经网络，提高了用户的QoS满意度，但是算法的复杂度较高，不太适用于真实的环境。
以上算法虽然都是基于模糊逻辑的优化算法，但是他们都没有考虑未来网络的可能状况，也没有考虑当前应用的安全业务类型，因为不同的安全业务类型有着不同的QoS需求。本文基于以上分析，提出了一种基于网络得分预测和模糊逻辑优化的安全切换判决算法（Security Prediction andFuzzy-Logic Based Vertical Switch Decision Algo-rithm，SPFL）。该算法和已有算法的主要区别是：
1）面向QoS安全感知，根据4个安全业务分类分别计算网络的QoS得分。
2）基于网络辅助的切换方式，网络端负责计算自身QoS得分，有效地减少了终端的计算负担，提高了算法的实用性。
3）基于一阶单变量灰色预测模型GM（1，1）预测网络未来QoS得分，将当前网络得分、未来网络预测得分和终端能耗结合考虑，提高了切换的准确性，减少了不必要的切换，有效降低了“乒乓效应”，并且延长了终端的续航时间。
4）采用网络的预筛选和预判决。网络预筛选可以有效地删除一些不满足条件的候选网络，减少候选网络的数量，从而降低计算的复杂度，有效地降低安全切换判决的时间。预判决可以为终端用户提前做出网络切换的判决，提高用户的满意度。
SPFL算法的基本思路基于如下的思想：不同的安全应用有不同QoS需求，区分应用的安全业务类型能够有效提高网络QoS评价的准确性。此外，网络QoS参数代表了网络的性能指标，而且当前最好网络不一定是未来的最佳网络，当前的次好的网络未来可能是最佳的网络。因此直接选择未来的最佳网络能够极大的减少不必要的切换次数，从而降低“乒乓效应”。
SPFL算法作为面向网络QoS的安全切换判决算法重点考虑了可用带宽（Available Bandwidth）、端到端延迟（End to End Delay，E2EDelay）、抖动（Jitter）和误码率（Bit Error Rate，BER）四种网络QoS参数，针对每个网络计算对应网络QoS得分。在评价网络QoS得分时，SPFL算法针对不同的安全业务类型设计了不同的评分标准。在此基础上利用GM（1，1）预测模型预测未来网络的QoS得分，最后综合考虑候选网络的真实QoS得分和预测QoS得分，做出网络切换的判决，并选择一个最优的网络作为目标切换网络。
另一方面，考虑到网络较多的时候，算法的计算量比较大，而终端的计算能力有限。SPFL算法在给网络评价之前，根据终端的特性做了一个初步的候选网络的筛选，从而大大降低了算法的计算量。此外对于一些必需切换的情况，比如RSS急剧下滑、马上要离开当前网络的覆盖范围等情况，SPFL算法也提供了相应的切换策略。
基于网络得分预测和模糊逻辑优化的安全切换判决（SPFI）算法主要包括预处理、基于模糊逻辑的网络得分的计算、基于GM（1，1）预测模型的网络QoS得分预测和网络选择4个主要步骤。
1）预处理
预处理作为安全切换判决算法的第一个阶段对整个算法的性能有着主导的作用，在本文提出的预处理阶段主要完成两项任务：第一，切换预判决，根据当前网络RSS和预计驻留时间做出提前的网络安全切换判决；第二、候选网络筛选，对终端移动速度和驻留时间做预筛选，删除不满足条件的网络，从而减少候选网络的数量，降低整体算法的复杂度。
切换预判决
当终端感知到当前服务网络的接收信号强度RSS低于阈值RSSth时，一个被迫的切换不得不被执行。此时为了避免服务的中断，必须快速完成切换，因此会选择可用网络中上一次排名较高的网络作为目标切换网络。
另一方面，在RSS暂时还满足要求的情况下，如果预计到终端马上要离开当前网络，即预计驻留时间小于最小的阈值（本文取阈值为IOS），则会提前执行下面的第二步——基于模糊逻辑的网络得分计算和第三步——基于GM（1，1）预测模型的网络QoS预测，提前完成网络的切换，提高用户的满意度。图4描述了切换预判决阶段的流程。
候选网络预筛选
终端移动速度筛选。不同的网络支持的最大的移动速度不一样，比如WiFi只能支持步行的速度Skm/h，而UTMS和WiMax（802.16e）均可以支持120km/h以上的移动速度，完全满足城市交通的速度。因此如果当前终端移动速度大于5km/h，则可以将WiFi网络从候选网络列表中删除。
预计驻留时间筛选。驻留时间体现了终端在候选网络中的预计停留时间，如果停留时间太短，则频繁的网络切换会导致服务质量的下降，降低用户的满意度。因此根据终端在候选网络中的预计驻留时间做出网络的预筛选，将预计驻留时间小于Imin的网络从候选网络列表中删除。图5描述了候选网络预筛选流程图。
2）基于模糊逻辑的网络QoS得分的计算
我们知道网络QoS是评价网络好坏的一个重要指标，以往的算法一般都是在终端计算网络的QoS得分，而网络QoS得分依赖于网络的QoS参数，不同的网络需要分别计算，因此随着可用网络数目的增加，网络QoS的计算量也在不断增加，极大的浪费了终端的计算能力。为此，在第三章介绍的切换框架的基础上，本文采用网络端负责QoS得分计算的方式，充分利用了网络的计算能力，大大减少了终端的计算量，增加了算法的实用性。同时充分考虑了不同的应用安全业务类型对于网络QoS参数要求的不同，设计了4种针对不同安全业务类型的模糊逻辑系统来完成网络的QoS得分的计算。下面从隶属度函数设计、模糊逻辑规则设计两个方面展开详细介绍。
隶属度函数设计
通过前面预处理之后，我们得到了满足终端特性需求的候选网络，在本阶段中，我们考虑网络的QoS参数包括可用带宽（Available Bandwidth）、端到端延迟（End to End Delay，E2EDelay）、抖动（Jitter）、误码率（Bit Error Rate，BER）。由于这些参数拥有很大的模糊性，很多时候常常是用高低来衡量，因此，基于模糊逻辑的网络得分计算被应用到本文的网络QoS得分计算中。首先需要对这个4个QoS设计隶属度函数，图6展示了这四个参数的隶属度函数。
输出隶属度函数如图7所示，区间[0，50]为Low，[25，75]为Medium，[50，100]为High。
模糊规则设计
由前面的介绍知道，不同的应用安全业务类型拥有不同的QoS需求，因此本文在传统的基于模糊逻辑的安全切换判决算法的基础上，充分考虑了当前应用的安全业务类型对安全切换判决的影响，分别给通话安全业务、流媒体安全业务、交互式安全业务和后台安全业务设计了4种不同的模糊逻辑规则，表l描述不同安全业务类型的QoS需求。
就本文而言，对于每一个安全业务类型有3*3*3*3=81条规则，4种安全业务类型的话一共产生4*81=324条规则，由于篇幅限制，本文仅给每个安全业务列出几个规则样例以方便说明，如表2所示。
从表2中可以看出，每个模糊规则都严格按照不同的安全业务类型的QoS需求来设计，其他规则也可以按照同样的思路完成设计。
3）基于GM（1，1）预测模型的网络QoS得分预测
QoS得分会被记录在终端的网络信息数据库中，而这些得分随着网络状态变化也会动态的变化，当前的网络状态不能代表未来网络的状态，而最近的网络变化趋势可以预测未来网络的状况。因此本文设计了基于一阶单变量灰色预测模型GM（1，1）的网络QoS得分预测模型，具体过程如下。
至此我们得到两个网络排名列表：基于当前网络QoS计算值的网络排名列表和基于未来网络QoS预测值的网络排名列表，假设排名结果如表3所示：结果，WLAN排在候选网络的第一名，但是在网络预测结果中，WLAN的得分下降到了80，排在第二名，而UMTS网络的预测得分上升到了85，排在了第一名，由此可见，UMTS网络QoS正在呈上升趋势，而WLAN正在呈下降趋势，并且未来很快UMTS的得分将会超越WLAN，因此我们做出的安全切换判决应该是切换到UMTS，从而减少了切换次数，避免了不必要的网络切换，降低了“乒乓效应”。
4）网络选择
网络选择作为安全切换判决的最后一步，是一个决定性的一步。本文提出的安全切换判决算法中网络选择考虑的因素包括网络QoS真实值、网络QoS预测值和能耗。
首先分析网络QoS真实值、网络QoS预测值对于网络选择的影响。网络QoS真实值反应了当前网络的真实状况，网络QoS预测值代表的是未来网络的预测状况。在此提出一个切换选择的主要准则：如果候选网络的预测值大于当前服务网络的预测值，并且候选网络的预测值大于可接受的网络QoS阈值，则执行网络切换，否则停留在当前网络。
在此基础上给出一个网络过滤规则：如果候选网络的真实值低于可接受的网络QoS阈值，则排除该候选网络。提出此过滤规则的目地是为了排除激进的网络切换，所谓激进的网络切换是指候选网络的真实值低于阈值的情况下，预测值高于阈值并且排在第一名，从而导致的不可靠的网络切换。
3 结论
群智能算法发展研究 篇4
群智能算法是近几十年发展起来的一类基于生物群体行为规律的全局概率搜索算法。这些算法将搜索空间中的每一个可行解视为生物个体, 解的搜索和优化过程视为个体的进化或觅食过程。生物个体适应环境的能力用来度量待求解问题的目标函数, 生物个体的进化或觅食过程用来模拟优化中较差的可行解被具有优势的可行解替代的迭代过程。下文将对几种典型的群智能算法进行简要的介绍。
2 典型群智能优化算法
2.1 蚁群算法
1991年意大利学者Dorigo M等受到自然界中蚁群觅食行为启发而提出了蚁群算法 (Ant Colony Optimization, ACO) 。
蚁群算法的思想是:在最短路径的找寻过程中, 每只蚂蚁只可以根据局部信息调整路径上的信息素, 一轮循环结束后, 采取全局信息对路径上的信息量再进行一次调整, 且只对寻优过程中发现的最好路径上的信息素进行加强。在蚁群算法中, 蚂蚁逐步地构造问题的可行解, 在解的构造期间, 每只蚂蚁使用概率方式向下一个节点跳转, 这个节点是具有较强信息素和较高启发式因子的方向, 直至无法进一步移动。此时, 蚂蚁所走路径对应于待求解问题的一个可行解。
蚁群算法目前已成功地用于解决旅行商TSP问题、数据挖掘、二次指派问题、网络路由优化、机器人路径规划、图着色、物流配送车辆调度、PID控制参数优化及无线传感器网络等问题。
2.2 粒子群算法
1995年美国的Kennedy等受鸟群捕食行为的启发而提出了粒子群算法 (Particle Swarm Optimization, PSO) 。
粒子群算法的思想是:将群体中的任一个个体, 即每个可行解, 视为D维搜索空间的一个有飞行方向和速度的粒子。所有的粒子都有一个被目标函数决定的适应值, 且记忆了自身曾经获得的最好位置及当前位置, 视为自身的飞行经验。同时每个粒子还知道整个群体所有粒子已获得的最优位置, 视为群体的飞行经验。在迭代过程中, 所有的粒子将不断地统计个体的飞行经验和整个群体的飞行经验, 以此动态调整本身飞行的方向和速度。在此过程中, 个体逐步迁移到较优的区域, 使群体最终搜索到问题的最优解。
粒子群算法的应用领域众多, 如模式识别与图像处理、工程应用、神经网络训练、模糊系统控制、化工系统处理、滤波器设计、仿人智能控制参数优化、数据聚类等。
2.3 人工鱼算法
2002年由我国的李晓磊等受鱼群运动行为的启发而提出了人工鱼群算法 (Artificial Fish-Swarm Algorithm, AFSA) 。
人工鱼群算法的思想是:将人工鱼随机地分布于解空间中, 解空间中包含着若干局部最优值和一个全局最优值。可将最优值视为食物的浓度, 而全局最优值为最大的食物浓度, 且人工鱼将移动聚集到食物浓度较大的区域, 通过移动策略来控制人工鱼个体的四种行为 (觅食、聚群、追尾和随机) , 用视野来限制个体的邻域, 用步长来控制个体探索的进度, 用拥挤度来控制群体的过度密集。寻优期间, 每次迭代执行完, 人工鱼都将对比自身状态和公告板状态, 如自身具有优势, 则更新公告板状态, 确保公告板为最优状态。
人工鱼群算法已在参数估计、组合优化、前向神经网络优化、电力系统无功优化、输电网规划、边坡稳定、非线性方程求解等方面得到应用, 且取得了较好的效果。
2.4 混合蛙跳算法
2003年Eusuff等人受青蛙觅食特征的启发而提出了混合蛙跳算法[4] (Shuffled Frog Leaping Algorithm, SFLA) 。
混合蛙跳算法的思想是:将青蛙个体随机地分布于解空间中, 每只青蛙表示解空间的一个解。在进化更新的过程中既有全局性的信息交流, 还有内部的信息交流。根据青蛙个体的适应度值的优劣进行排序和分组, 组内只有适应度最差的青蛙更新, 元进化并混合各组, 在各组一轮元进化后, 将组中的青蛙重新排序、分组并记录全局最优解, 之后再继续局部搜索的过程。青蛙更新的学习对象首先是组内最优, 其次是群体最优, 若两次都未能进步, 则随机初始化。
混合蛙跳算法已经应用于多个领域, 如水资源网络优化、数据聚类、桥面修复、风电场电力系统动态优化、装配线排序、流水车间调度、PID控制器参数调节等。
2.5 人工蜂算法
2005年由土耳其的Karaboga等受蜜蜂采蜜行为的启发而提出了人工蜂群算法 (Artificial Bee Colony, ABC) 。
人工蜂群算法的思想是:将虚拟蜜蜂群初始时随机分布在解空间中, 将食物源的位置抽象成解空间中的点 (可行解) 。通过三种蜜蜂对食物源位置 (解) 修正, 进行一次循环搜索过程。引领蜂通过对比附近食物源的花蜜量 (适应度) , 来对现有食物源位置 (解) 进行修正。如果新食物源的花蜜量 (适应度) 比现有的高, 那么引领蜂记忆新食物源 (解) , 放弃现有的。在引领蜂的搜索过程完成后, 它们通过跳舞与跟随蜂传递食物源信息。跟随蜂通过汇总和评估所有食物源信息, 计算出一个关于花蜜量的概率值, 通过比较概率选取食物源。跟随蜂也是根据贪婪选择策略来更新当前食物源的位置。利用侦察蜂来使得陷入局部搜索停滞的蜜蜂跳出。
人工蜂群算法已经应用于多个领域, 如车辆路径问题、人工神经网络训练、作业车间调度问题、数据聚类以及各类连续优化问题等。
2.6 萤火虫算法
2009年由剑桥大学的Xin-She Yang受萤火虫发光行为的启发而提出了萤火虫算法 (Firefly Algorithm, FA) 。
萤火虫算法的思想是:将萤火虫个体作为解随机地分布于解空间中。解的搜索和优化过程视为每只萤火虫的移动和吸引过程。个体所在位置的优劣用来度量所求问题目标函数。个体进化的过程用来模拟优化中较差的可行解被具有优势的可行解替代的迭代过程。萤火虫根据自身亮度和吸引度两个要素来更新自己的位置。萤火虫所在位置的目标值决定其能产生的荧光亮度, 所处位置 (目标值) 越好其亮度越高。萤火虫的亮度与吸引力成正比, 视线范围内, 亮度稍弱的萤火虫将被吸引, 朝着较亮萤火虫的方向移动, 以完成的位置进化。当亮度相同时, 萤火虫则随机地进行位置移动。萤火虫之间的距离与亮度和吸引度成反比, 也即距离越大, 亮度和吸引度越小。
目前萤火虫算法已应用在生产调度、路径规划、神经网络训练、天线阵列设计优化、图像处理、机械结构设计优化、负载经济均衡分配问题、复杂函数优化等方面。
3 结论
本文在简述群智能算法的基础上, 对近年来发展的几种典型的群智能算法的生物原理、算法思想和应用进行了阐述和研究, 为群智能算法的深入研究奠定了基础。
摘要：最优化技术的应用日渐广泛, 传统的优化方法对于解决复杂问题变得无能为力。群智能算法在这种背景下产生并迅速发展。目前已研究出许多种类的群智能优化算法, 包括蚁群、粒子群、人工鱼群、混合蛙跳、人工蜂、萤火虫算法等。本文主要介绍群智能算法的发展, 阐述上述典型算法产生的生物原理、算法思想和应用。
关键词：群智能算法,ACO,PSO,AFSA,SFLA,ABC,FA
参考文献
[1]Colomi A, Dorigo M, Maniezzo V.The Ant System:An autocatalytic optimization process, Technical Report 91-016, Dept.of Electronics, Politecnicco di Milano, Italy, 1991.
[2]Kennedy J, Eberhart RC.Particle swarm optimization[C].IEEE International Conference on Neural Networks, Perth, Piscataway, NJ, Australia:IEEE Service Center, 1995, 1942-1948.
[3]李晓磊, 邵之江, 钱积新.一种基于动物自治体的寻优模式:鱼群算法[J].系统工程理论与实践, 2002, 11, 32-38.
[4]Eusuff, M.M., Lansey.K.E.Optimization of Water Distribution Network Design Using the Shuffled Frog Leaping Algorithm[J].Water Resources Planning and Management, 2003, 129 (3) :210-225.
[5]Karaboga D.An Idea Based On Honey Bee Swarm for Numerical Optimization[R].Erciyes Uiversity, Technical Report:TR06, 2005.
智能算法 篇5
摘 要：针对城市公共交通系统中公交优化调度问题的具体特征，提出一种基于状态空间模型的实数编码智能优化算法（SIA）。SIA引入遗传算法（GA）的基本理念。通过构造状态进化矩阵来指导算法的搜索方向，再通过选种池的优胜劣汰的选择机理来实现算法朝最优解逼近。将该算法与GA分别应用到公交优化调度问题中，考虑发车时间间隔的约束，建立以企业和乘客的利益最大化为目标的数学模型。实例仿真结果表明，SIA在寻优精度和计算量方面优于GA，验证了该算法的有效性。
关键词：公交调度；时间间隔；状态空间模型；状态进化矩阵；选种池
中图分类号：U491.2TP18 文献标识码：A
Abstract：An intelligent optimization algorithm with real strings based on state space model （SIA） was presented to solve bus dispatching problem in urban public transport system. The basic idea of genetic algorithm （GA） was introduced to SIA. The state evolution matrix was constructed to guide the search direction of the algorithm， then through the selection mechanism of selection pool to approach optimal solution. This algorithm and GA were applied to the public transport optimization dispatching problem. Mathematical model was set up by considering the time interval，and the benefit maximization of enterprises and passengers. The results of example simulation show that SIA is better than GA in optimization accuracy and amount of calculation.
Key words：pubic transport dispatching；time interval；state space model；state evolution matrix； selection pool
1 引 言
随着现实世界中交通拥堵情况日趋严重，调节城市公共交通运营工作成为舒缓交通状况、改善城区生活质量的重要手段之一。城市公共交通运营工作可以转化为公交优化调度问题进行处理，而本文以公交线路发车间隔的设定来进行公交优化，即要求在一个调度周期（公交线路一天的运营时间）内，根据车流情况，在满足整体社会效益和经济效益的情况下，优化各时段的发车时间间隔，以使得公交公司和乘客花费成本最低。随着对公交优化调度问题研究的不断深入，国内外许多学者提出了大量方法来解决该问题，取得了一定的成果。如Qing和Han[1-2]等人从发车间隔对公交系统的影响出发，提出用遗传算法进行公交车发车时间间隔优化；Gong和Cheng[3-5]等人了改进型遗传算法用以优化发车频率问题；文献[6]通过两种算法融合，采用优势互补的特点为优化公交调度问题提供了一种有效途径；文献[7-9]则分别介绍了不同算法在求解公交调度问题最优解过程中的方法。
以上所提及的优化方法对于本文进行优化公交车调度问题具有重要的指导意义。本文提出一种基于离散系统状态空间模型的实数编码智能优化算法[10]。由于状态空间模型的引入不仅能把种群信息以最小信息形式描述出来，而且还能清楚显示算法迭代寻优过程中个体的状态变化，因而该模型可以将问题的求解过程表示为动力学求解过程。基于此，该算法通过构造一个状态进化矩阵来替代遗传算法中的交叉与变异算子功能来产生一组进化解。通过选种池的选择作用产生较优解。相比于遗传算法易陷入早熟停滞、计算量大和局部搜索能力差等缺点[11]，本文提出的算法具有计算量较小、计算精度较高、计算速度较快等特点。最后给出一个公交车发车时间间隔优化实例，仿真结果验证了这种算法的有效性。
2 基于状态空间模型的智能优化算法
2.1 概述
近年来，国内外有不少学者热衷于用不同的方法来解决公交调度优化问题。其中，遗传算法成为人们寻求解决优化问题的重要途径，它通过迭代执行选择、交叉、变异三个遗传算子的遗传操作，使问题的解逐步向最优解方向靠近。本文提出的基于状态空间模型的实数编码智能优化算法是一种以离散系统状态空间模型为基础，引入遗传算法理念的优化算法。它将实数编码问题的解方便地以状态空间模型的方式表示，使得问题的求解过程更直观、高效。
基于状态空间模型的智能优化算法将问题的求解过程表示为离散系统的动力学求解过程，即X′（k+1）=GX（k）（1）其中，状态向量X（k）表示为第k代群体，它是一个N×M矩阵（N表示为种群中个体总数量，M为每个个体包含的变量数）。G为状态进化矩阵（N×N方阵），G的构造是本算法研究的核心内容，可以依照遗传算法的基本思想构造。本文以遗传算法的基本理念构造G，此矩阵替代了在遗传算法中起交叉、变异的遗传操作。本算法采用在约束范围内随机生成的方式来产生初始群体X（0），再通过G矩阵生成群体X′（1），即种群X（k）通过G矩阵生成新的种群X′（k+1）（k=0，1，….）。在种群X′（k+1）中判断其个体是否满足算法约束条件，若不满足，则需进行约束处理，再将包含X（k）与X′（k+1）的共2N个投入选种池。选种池是依照遗传算法中优胜劣汰的思想启发而设计，通过计算2N个个体适应度函数值选择适应度值较大的N个个体组成新一代群体X（k+1），再置X（k+1）为X（k），如此循环迭代，直到满足停机条件后结束，如图1所示。
3 SIA用于公交优化调度
3.1 公交优化调度问题的数学描述
1）模型假设条件
公交发车时间间隔模型的建立要考虑到多种因素的影响，如公交公司满意度、乘客满意度、运行环境等。在同一时段内，若发车间隔较短，公交公司发车次数较多，平均每辆车的载客量减少，环境污染指数升高，不利于公交公司的经济效益和社会效益；若发车间隔较长，乘客平均等待时间较长，乘客的时间损失较大，会影响乘客的情绪，车内人流拥挤，也会影响乘客的舒适度，从而进一步影响乘客一天的生活和工作质量，乘客损失费用较高；若公交车运行环境拥挤，平均每辆车走完全程耗时相对较多，影响公交公司和乘客的整体利益，应适当的调整发车间隔，以舒缓城市交通环境。综上所述，本文对此模型作如下假设：
（1）公车各时段运行环境良好，且营运期间无特殊状况发生；
（2）公车运行期间为恒速行驶；
（3）公车额定载客人数相同；
（4）公车运营一趟的成本为固定值；
（5）同一时段公车发车频率相同；
（6）各时段内到达站点的乘客服从均匀分布；
（7）将乘客上下车时间算入等车时间；
（8）全程实行统一票价，票价2元/人。
2）数学模型的建立
从以上仿真结果可以看出，在α=0.7的情况下，即充分考虑公交公司利益时，发车间隔明显比其他两种情况大；α=0.3时，充分考虑乘客利益，发车间隔明显比其他两种情况小，符合现实情况。同时，根据表2中的客流情况可以看出，时段1和时段4的客流量相对较大，在仿真结果中，这两个时段的发车间隔整体较其他时段小，达到了根据客流合理分配发车间隔的目的。对比GA和SIA优化的发车间隔及其对应的目标函数，可以看出SIA的优化结果明显优于GA，SIA有效性得到验证。
相较于传统遗传算法，SIA的优势在于，通过状态空间模型中矩阵的乘法操作来搜索可行域区间，替代了GA的交叉和变异操作，也在一定程度上减小了算法的计算量。同时，SIA采用实数编码，虽然需要对连续的可行域区间进行离散化，但离散化的计算量较小。而一般情况下，GA采用二进制编码，编码长度决定了算法的寻优精度，精度要求越高，算法编码越长，过长的二进制编码在解码的过程中大大增加了算法的计算量，影响算法效率。故在对寻优精度要求更高的情况下，SIA的优势更加突出。
5 结 论
本文针对公交车调度优化中传统智能算法的不足，提出了一种基于离散系统状态空间模型的实数编码智能优化算法。主要分析了SIA相较于GA在寻优精度和计算量方面的优势。仿真结果表明，在相同的算法条件下，SIA的优化结果明显优于GA，验证了SIA的有效性。参考文献
[1] 韩印.基于遗传算法的智能公交发车频率优化研究[J].计算机工程与应用，2008，44（33）：243-245.
[2] 覃运梅，王玲玲.基于遗传算法的公交发车间隔模型[J].交通标准化，2009，（2）：190-192.
[3] 龚成清.改进遗传算法在公交调度优化中的应用[J].微型电脑应用，2012，28（10）：48-51.
[4] 陈玲玲，苏勇.改进遗传算法在公交车优化调度中的应用[J].科学技术与工程，2009，9（12）：3567-3569.
[5] Jinling Du， Chunxiao Wang， Feng Zhang. Multi-objective Optimization of Bus Dispatching Based on Improved Genetic Algorithm[C]//2011 Seventh International Conference on Computational Intelligence and Security.China：IEEE，2011.
[6] Minan TANG， Enen REN， Chunyan ZHAO. Route Optimization for Bus Dispatching Based on Genetic Algorithm-Ant Colony Algorithm[C]//2009 International Conference on Information Management， Innovation Management and Industrial Engineering.China：IEEE，2009.
[7] 付阿利，雷秀娟.粒子群优化算法在公交车智能调度中的应用[J].计算机工程与应用，2008，44（15）：239-241.
[8] 王敏.免疫克隆算法求解公交发车频率问题[J].计算机应用研究，2010，27（12）：4483-4485.
[9] 白子健.快速公交线路组合频率优化的禁忌模拟退火算法仿真[J].计算机应用研究，2008，25（2）：355-358.
[10]李茂军，贾玲. 一种基于状态空间模型的进化算法[J]. 计算技术与自动化. 2014，33（2）：85-88.
智能电力仪表无功算法的改进 篇6
目前大多数智能电力仪表选择ADE7758芯片作为电能计量芯片, 其适用于计量各种三相配置条件下的有功、无功和视在电能。但是分析发现, ADE7758在计算无功功率时只是在不含谐波情况下采用移相+90°算法得到无功功率。而实际应用中由于非线性器件 (如开关电源、逆变器、变频器等) 的使用, 电压电流不会是理想的正弦波, 均含有谐波, 因此ADE7758对于无功功率的测量算法存在明显误差。为此, 研究一种快速改进算法代替ADE7758的固有算法, 实现含谐波情况下无功功率的准确计算。
1 ADE7758测量无功的结构与算法
ADE7758是一款高准确度的三相电能计量芯片, 适用于计量各种三项配置条件下的有功、无功和视在电能, 内部集成DSP芯片, 能对三相电压、电流进行高速采样。其内部结构图如图1所示。
其无功功率的计算并没有使用均方根法, 而是采用90°移相法代替。具体操作是对电流信号进行移相+90°, 然后采用离散的梯形积分算法对电压、电流进行乘积积分运算。
设含谐波电压信号和移相+90°的电流信号分别为:
令φi=αi-βi, θi=αi+βi, ADE7758得到的第i次谐波的瞬时无功功率为:
推导得出总的无功功率为:
而实际上所测无功功率应该为:
由Q和Q′得出差值函数为:
进一步对gi化简可得:
由式 (1) 可知, 对于含有谐波的波形采用90°移相法来计算无功功率, 是不真实的, 无法达到要求。
2 利用软件算法减小误差的主要设计思路
ADE7758测量无功功率的不准确, 导致电力系统的监测不准, 因而很可能会产生很大的经济损失, 可用以下两种算法进行改进:
(1) FFT算法, 可以根据谐波分析结果直接进行无功功率的计算, 但其精度有限而且不可控, 其运算量也是固定的, 没有改进的空间。
(2) 神经网络算法, 首先对电压、电流进行谐波分析, 然后根据分析结果进行二次计算得出无功功率。由于神经网络拥有其他算法所没有的特性和优势, 所以一直受到人们的关注和研究。目前, 神经网络应用于无功功率的测量仍然处于研究阶段, 但是神经网络所蕴藏的无限潜能以及已有的研究成果表明神经网络测量无功功率是可行的, 也是有价值的。
因此, 决定采用神经网络设计出一种测量含谐波无功功率的快速算法, 并希望在不改变硬件电路的前提下通过性能优化使该算法在低端的MCU上实时、有效地运行, 彻底解决ADE7758在含谐波现场中测量无功功率中出现的问题。
3 WDD神经网络算法
3.1 WDD
神经网络以其特有的函数逼近特性和优化计算特性来进行谐波检测, 然后通过二次计算得到无功功率。神经网络的输入为待测信号, 输出为所要检测的无功和各次谐波信号的幅值或瞬时值。目前, 神经网络测量无功功率的研究还很少, 但是用于谐波分析的研究有很多, 从这些谐波信号进而可以计算得出无功功率。
该算法能充分利用人工神经网络的优化计算的特性, 把周期采样点时间作为网络输入, 根据网络输出与实际测得的采样点值进行误差比较, 然后通过合适的学习算法对权值进行修正;最终, 根据网络稳定时的权值来计算无功功率。神经网络的函数逼近能力和其他特性使其在解决测量精度和实时性的问题上体现出了其他算法无法超越的优势。
3.2 WDD原理
神经网络典型三层网络结构为输入层、隐含层和输出层, 神经元的激活值从输入层经各个隐含层向输出层传播, 通过减小输出层各个神经元的实际输出与期望输出的误差, 采用梯度下降法, 逐层修正各个连接权值, 不断重复进行“正向计算输出—反向传播误差”, 直至误差至可接受的范围, 神经网络的学习训练过程结束。传统的神经网络权值的确定需要多次迭代才能完成。而由张雨浓教授提出的权值直接确定法, 利用其线性特性可以很好地逼近非线性目标函数, 而且不用迭代, 保证了快速性:
利用伪逆的概念可以很快求出权值:
以上就是权值直接确定法的主要思想。
3.3 WDD算法程序设计流程
快速测量无功功率的算法编程步骤如图2所示。
4 WDD快速智能算法设计
4.1 基于WDD快速智能算法的具体实现
(1) 初始化网络参数。
根据采样点数N与样本数量M确定隐含层神经元数量n, 学习速率η, 精度限制值E。
(2) 初始化基函数神经元表。
循环遍历各个样本与各次谐波正余弦, 并填写基函数神经元表。
(3) 初始化输入矩阵。
根据不同的输入样本, 按照基函数神经元表对输入矩阵进行初始化。
(4) 计算伪逆矩阵。
根据公式w= (XTX) -1XTy计算伪逆矩阵, 矩阵的逆运算相对复杂, 需要进行相应的性能优化。
(5) 计算无功功率。
由学习训练所得到的隐含层到输出层神经元的权值进行二次计算得出无功功率, 其表达式为:
式中, cs[ui], sn[ui]分别为电压信号的i次谐波的余弦函数和正弦函数的系数, cs[ii], sn[ii]分别为电流信号的i次谐波的余弦函数和正弦函数的系数。
4.2 WDD改进算法与传统算法的对比
为了验证WDD的准确性和可靠性, 通过改进算法与传统FFT算法计算无功功率的时间及相对误差来进行对比, 无功功率的测量涉及电压和电流两个波形参数, 而谐波检测只需一种波形测试数据。
智能电力仪表在实际使用时电流基波为5A, 采样点个数选为16, 模拟电压、电流具体的测试数据如表1所示。
根据改进算法的无功功率公式:
计算得到的无功功率大小为-31.9052771。为了从无功计算结果的精度和速度两方面进行分析, 分别对FFT、WDD算法进行10000次循环运算, 并记录无功功率的相对误差和运行时间。
精度、速度测试结果分别如表2、表3所示。
由表2和表3可以看出, WDD的精度和速度明显优于FFT, 达到了单片机上运行的条件。这两种算法不仅能够计算无功功率, 也能进行电力系统谐波分析。
4.3 WDD改进算法仿真测试
由于CPU直接影响算法的快速性, 因此选择C8051单片机, 如果仿真测试结果可行, 则证明此算法也能应用于空间更大的平台中。芯片采用高速、流水线结构微控制器内核, 主频高达44MHz, 并且具有4352B的RAM以及64KB的FLASH。
WDD算法的权值矩阵只与采样点个数有关, 与别的参数无关。确定的采样点个数对应确定的权值矩阵, 这部分固定不变。为了预算更简便, 用PC上的权值矩阵运行结果制成二维数组表, 直接存放在ROM中, 空间足够。
测试选用表1中的数据, 采样点数设为64, 得到的测试结果如表4所示。
由表4可见, 该改进算法的速度及精度均达到了预期要求及目标, 存储空间对于51单片机环境尚能可控, 可极好地应用于ARM等嵌入式系统中。
5 结语
该算法不仅解决了目前大多数智能电力仪表存在测量无功功率不准确的问题, 而且可以应用到电力系统其他谐波分析中, 很具有工程应用价值。
摘要：针对ADE7758在测量无功电量参数时存在明显误差的缺陷, 提出一种新的快速改进算法来计算含谐波无功功率, 并给出算法的总体设计和具体实现方法。
关键词：ADE7758,电力仪表,无功功率,WDD改进算法
参考文献
[1]王莉.基于神经网络的电力系统谐波及间谐波检测分析[D].长沙:长沙理工大学, 2011
[2]Martin T.Hagan, Howard B.Demuth, Mark H.Beale.神经网络设计[M].北京:机械工业出版社, 2002
[3]张雨浓, 杨逸文, 李巍.神经网络权值直接确定法[M].广州:中山大学出版社, 2010
[4]何坚勇.最优化方法[M].北京:清华大学出版社, 2007
运用遗传算法进行智能组卷 篇7
智能组卷是一个典型的多条件约束优化问题, 组卷时通常考虑的约束有试卷分数、试卷题型、试卷难度系数、能力层次、教学要求、区分度等约束。因此, 组卷中的一道试题应由n项指标决定, 要生成一份试卷, 就应决定一个m×n的矩阵。假设从题库中抽取n道试题, 每道试题由五个属性 (题分a1, 题型a2, 所需时间a3, 难度a4, 知识点a5) 决定, 则可生成这样的矩阵:
以上问题求解中的目标状态矩阵为例, 目标矩阵应满足如下约束条件:
1. 试卷总分:一般由用户给定, 设试卷总分为M, M满足公式 (1) :
2. 题型分数:
组卷过程中的题型主要包括单选题, 多选题, 填空题, 断判题, 简答题等, 设T为第m种题型要求的分数, T满足公式 (2) , 当试题题型编号ai2属于第m种题型时, tm为1, 否则为0;
3. 平均难度:
平均难度一般由用户给出, 本文取容易、较容易、中等、较难、难5个难度级别, 难度系数, 设D为平均难度, 则D满足公式 (3) :
4. 知识点分数:
设S为第m个一级知识点的要求分数, S满足公式4.4, 当知识点ai5属于第m知识点时, sm为1, 否则为0;
5. 答题时间:
设T为答题时间, 则T满足公式 (5) :
可以看出, 组卷问题是一个多目标的最优求解问题。在组卷过程中, 并不是约束条件越多就越好, 过多的约束条件反而会增加组卷难度并降低组卷效率, 因此在系统试题库的初期阶段选取了以上五个约束条件, 随着系统的不断完善与用户量的增加, 可以再考虑其它约束条件。
(二) 组卷算法设计
自动组卷是根据用户给定的约束条件搜索试题库中与特征参数相匹配的试题, 从而抽取最优的试题组合。目前常用的组卷方法有随机抽取组卷算法、回溯试探组卷算法、遗传组卷算法。随机选取法是根据组卷状态空间的控制参数, 由计算机提供的随机函数随机的从试题库中抽取一道试题进行组卷, 之后不断重复此过程, 直到组卷完毕, 或者无法从试题库中抽取满足参数的试题为止。这种算法结构简单, 但具有很大的随机性和不确定性, 易于陷入局部最优解和求解速度慢的情况;回溯试探组卷法是将随机选取法产生的每一状态类型纪录下来, 当搜索失败时释放上次纪录的状态类型, 然后再依据一定的规律变换一种新的状态类型进行试探, 通过不断的回溯试探直到试卷生成完毕或退回出发点为止。这种算法对于题量较少的试题库组卷成功率较高, 但却不能很好地在全局范围内搜索, 同时也存在组卷时间很长, 程序结构相对比较复杂的特点。
从以上分析可以看出, 随机抽取组卷算法和回溯试探组卷算法并不能很好地实现组卷要求, 遗传算法是一种新发展起来的并行优化算法, 它很适合解决自动组卷问题。
1. 遗传算法原理
遗传算法起源于60年代对自然和人工自适应系统的研究, 最早由美国密执安大学的Holland教授提出, 遗传算法把问题的解表示成“染色体”, 在算法中以二进制编码表示, 在执行遗传算法之前, 先给出一群“染色体”的假设解, 再将这些假设解置于问题的“环境”中, 通过评价函数从中选择出较适应环境的“染色体”进行复制, 再通过交叉, 变异过程产生更适应环境的新一代“染体”群。如此反复, 经过一代又一代地进化, 最后收敛到最适应环境的一个“染色体”, 它就是问题的最优解, 遗传算法基本原理图如图1所示。
2. 遗传算法基本操作
遗传算法有三个基本操作:选择、交叉、变异。这些操作又有不同的方法来实现
(1) 选择
又称为再生操作, 可以加强群体中个体的适应性, 它的作用是根据每个个体的优劣程度 (如适应度函数值) 来决定其是被留下还是被淘汰。一般来说, 适应度高的个体存在的机会较大, 而适应度低的个体存在的机会较小。
常用的选择算子比例选择方法, 它首先根据个体的适应度值与当前种群中所有个体的适应度值总和的比值, 计算出每个个体的相对适应度, 该值反映了个体的适应度值占整个群体个体适应度值总和的比例, 值越大, 个体被选择复制到下一代的可能性就越大。
目前遗传算法中最经典的选择方法是轮盘赌选择法, 它是是根据比例选择方法来设计的, 其基本思想是:每个个体被选中的概率与其适应度大小成正比。
(2) 交叉
遗传算法中由于交叉算子具有全局搜索能力, 因而作为主要的操作算子。交叉算子是在基因交换的基础上加入基因对之间的算术运算而构造出来的, 能够使优良个体的特性在一定程度上保持。常用的交叉算子有单点交叉、二点交叉、多点交叉、均匀交叉等等。单点交叉是最简单的交叉, 它首先对染色体群中的个体进行随机配对, 在配对个体中随机设定交叉处, 再配对个体彼此交换部分信息。对于实数编码的遗传算法, 算术交叉操作算子多采用传统的中间重组的方法。
例如有个体S1=100100, S2=110111, 选择它们的左边4位进行交叉操作, 则有S1=110100, S2=100111
(3) 变异
在遗传算法的应用中, 变异操作可以维持遗传算法中群体的多样性。由于选择和交叉操作基本上已经完成了大部分的搜索功能, 所以变异操作主要用来增加找到接近最优解的能力, 它的存在对避免遗传算法的搜索过程陷入局部最优解和保证算法的全局收敛性至关重要。
主要的变异算子有基本变异算子、均匀变异、正态变异、自适应变异。变异操作是按位进行的, 即把某一位的内容进行变异, 如在二进制串的每一位中, 原先为1时, 产生变异就是把它变成0, 反之亦然。
如有个体S=101010。对其的第1, 3位置的基因进行变异, 则有S=000010。
执行变异算子操作可维持种群的多样性, 使算法更好地在全局范围内搜索, 防止“早熟”现象发生。在执行完交叉操作后, 由于题型中的每一题号己确定, 所以产生的随机数不会超过该题型的题号范围, 如果该随机数己被个体选中过, 则应重新产生随机数, 直到产生的题号与该个体包含的题号不相同。
(三) 遗传算法在组卷中的应用
基本遗传算法可定义为一个8元组:SGA= (C, E, P0, M, Φ, Γ, Ψ, T) 其中C为个体的编码方法;E为个体适应度函数;P0为初始群体;M为群体大小;Φ为选择算子;Γ为交叉算子;Ψ为变异算子;T为算法终止条件。
1. 染色体编码
用遗传算法求解问题, 首先要将问题的解空间映射成一组代码串。一般采用二进制编码方案, 该方案中用1表示被选中的题, 用0表示未被选中的题, 这种编码简单明了, 但是这样的二进制位串较长, 在进行交叉和变异遗传算子操作时, 各种题型的题目数量不好控制, 而且随着试题库题量的增多, 使得染色体长度不断增加、复杂化, 降低了算法的运行速度。因此可将二进制编码方案改成十进制分段编码方案, 每一份试卷对应一个由题号, 每种题型的题号放在一起, 按题型分段, 在随后的遗传算子操作时也按段进行, 保证了每种题型的题目总数不变。
如果试题库中含有200道选择题、500道填空题、200道判断题, 则它的编码方式如表所示:
2. 初始化群体
初始化群体指选择一个串或个体的集合作为问题假设解的集合, 试卷初始种群根据题型比例、总分的要求随机产生, 群规模的大小可以决定组卷速度, 当种群规模较大时组卷收敛速度较慢, 但易搜索到全局最优解, 而种群规模较小时组卷收敛速度快, 却不易搜索到全局最优解, 因而一般取种群规模为30~160, 并且初始种群在解空间中应尽量分散。
另外, 为了比较初始个体与最优个体的适应度值, 即试卷的质量, 在初始种群产生后需计算每个个体的适应度值, 然后将该值显示出来。
3. 确定适应度函数
适应度函数是用来评判试卷群体中个体的优劣程序的指标, 它要求应能反映待求解问题的特征。遗传算法利用种群中每个个体的适应度值进行搜索。一般情况下, 适应度函数是由目标函数转换而成的, 适应度值越大的个体越好。实际应用中, 通过设定整卷指标F来综合反映生成试卷的5个指标与用户要求的误差, 由于它们的重要程度不同, 所以整卷的指标F就是5个指标的加权和, 同时为了避免各个误差相互抵消, 这5个指标与用户要求的误差都取绝对值, 可以表示为:
其中fi表示第i个指标与用户要求的误差的绝对值, wi表示第i个指标的权值, 组卷就是从题库中抽取试题, 使得整卷指标F最小。
4. 遗传算子的确定
选择算子是从群体中按某一概率成对选择个体, 某个体bi被选择的概率P与其适应度值成正比。
设目标函数为f, f (bi) 称为个体bi的适应度, P为选中bi为下一代个体的次数。可知, 适应度较高的个体, 繁殖下一代的数目较多, 适应度较小的个体, 繁殖下一代的数目较少, 甚至被淘汰。
交叉算子将被选中的两个个体的基因按概率Pc进行交叉, 生成两个新的个体, 交叉概率Pc如选取过大, 可能使算法变成随机搜索, 如果过小会使组卷收敛速度变慢, 一般取值在0.25~0.75之间。
变异算子是按变异概率Pm对执行变异串的对应位求反, Pm如选取过大, 同样可能使算法变成随机搜索, 而Pm过小时不易产生新的个体, 可能使算法早熟收敛, 陷入局部最优, Pm值一般取0.01~0.2。
5. 算法的终止条件
遗传算法终止条件不同于其他传统算法终止条件, 原因在于它没有利用目标函数的梯度等信息, 无法确定演化过程中个体解空间的位置, 因而无法用传统的方法来判定算法收敛与否来终止算法。常用的终止条件有三个:当搜索到最优解时;当运行次数达到最大的演化代时;当最新最大适应度值与上代的最大适应度值没有明显改进时。
在实际组卷系统中, 采取固定最大遗传代数MAX, 最大遗传代数MAX由题库中题目的个数与模型中约束条件的个数共同决定, 当算法进行MAX代遗传后停止。
(四) 结束语
大量的研究和实践表明, 遗传算法在解决复杂的带约束的优化问题时具有良好的性能。但是, 智能组卷的遗传算法的设计与实现也比较复杂, 还需进一步研究实践。
参考文献
[1]毛秉毅.基于遗传算法的智能组卷系统数据库结构的研究[J].计算机工程与应用, 2003 (6) :230-232.
[2]李海兵.智能组卷系统的研究与实现[J], 中国优秀硕士学位论文全文数据库, 2008 (5) .
[3]GOLDBERG D E.Genetic algorithm in search, optimization and machine learning[J].Adison-Wesley, 1989 (2) :97-99.
[4]BERTONI A, DORIGO M.Implicit parallelism in genetic algorithms[J].Artificial Intelligence, 1993, 61:307-314.
智能学习算法的预测性能评估 篇8
目前各种智能学习、分类、预测算法主要是通过对训练数据集的学习来完成的，而算法的预测性能则主要在测试数据集上进行，在测试数据集上，使用适当的性能评估指标进行计算，就可以得出对算法的预测性能所做的评估分值。
2 预测性能评估问题描述
已知测试数据集序列，其真实的结构数据为D= (d1, …, dN) ，预测算法产生的输出为M= (m1, …m N) 其中，di, m i∈U, i=1, 2, …, N。求解的问题是对预测结果M的性能进行评估，即计算M对D的拟合、近似程度。根据U的不同形式的表示，真实数据D和预测输出M有三类:区间标度变量、二元变量和标称变量。
3 预测性能的检验指标和计算模型
已知样本（检验数据）分为两类：“阳性数据 (P) ”和“阴性数据 (N) ”。P为真实的，被实验所证实的数据；N为被实验证明无功能的数据。真阳性 (True Positive TP) 表示{di=1, mi=1}的次数；真阴性 (True Negative TN) 表示{di=0, mi=0}的次数；假阳性 (False Positive FP) 表示{di=0, mi=1}的次数；假阴性 (False Negative FN) 表示{di=1, mi=0}的次数。对于预测结果的评测，常用的检验指标如下：
敏感性 (Sensitivity, Sn) ，又称测全率、命中率，表示对于真实的数据，能够预测成“真”的部分所占的比例是多少。Sn (D, M) =TP/ (TP+FN)
特异性 (Specificity, Sp) ，即测准率、精度，表示对于阴性的数据，能够预测成“假”的比例是多少。SP (D, M) =TP/ (TP+FP)
准确性 (Accuracy, Ac) ，即总体正确性，表示对于整个数据集 (包括阳性和阴性数据) ，预测总共的准确比例是多少。Ac (D, M) =（TP+TN）/ (TP+FP+TN+FN
马修相关系数 (Mathew correlation coefficient MCC) ，是一种相似性的度量。如果把D和M作为概率随机变量，则可以用相似性来度量D与M的关系。当阳性数据的数量与阴性数据的数量差别较大时，MCC能够更为公平的反映预测能力。
3 预测性能的评估程序
使用svm训练，性能评估代码：
4 结束语
算法的预测性能评估能从特定角度衡量预测算法和预测效果的优劣，建议综合使用多种指标进行评估，使评估结果尽可能客观。
参考文献
[1]J Moult, K Fidelis, A Zemla, etal.Critical Assessment of Methods of Protein Structure Prediction (Casp) :Round Iv[J].Proteins, 2001, 45 (Suppl5) :227.
一种改进的混合智能算法初探 篇9
关键词：遗传算法,进化策略,模拟退火,算法改进
提出在遗传算法研究的基础上将进化策略和遗传算法结合在一起并引入模拟退火的思想, 形成一种改进的混合智能算法。新混合智能算法克服了原有单一算法易陷入局部最优解和早熟的问题, 利用进化策略改进进化算子和选择算子, 利用模拟退火思想改进变异算子, 提高了求解精度, 给出了相应的算法步骤。
1 改进混合智能算法的提出
遗传算法研究的目标是使算法解的质量高, 又具有高的计算效率, 使其接近实用化。一方面要得到好质量的解需要大量计算;而另一方面片面追求搜索效率通常会导致早熟, 使解的质量降低。因此, 考虑将进化策略、模拟退火思想和遗传算法进行有效地结合, 达到寻优操作既能跳出局部最优解, 又能保证收敛速度的良好效果。
进化策略 (ES) 是模仿自然选择和遗传机制的一种智能优化算法, 它是由德国柏林技术大学的I.Rechenbery和H.P.Schweful为研究风洞中的流体力子问题提出的。隐含并行性和群体全局搜索性是它的两个显著特征, 而且具有较强的鲁棒性。对于一些复杂的非线性系统求解, 具有独特的优越性能。目前, 这种算法已广泛应用于各种优化问题的处理。如神经网络的训练与设计、系统识别、机器人控制和机器学习等领域。
模拟退火算法 (Simulated Annealing, 简称SA) 是20世纪80年代初期发展起来的一种求解大规模组合优化问题的随机搜索方法, 它以优化问题的求解与物理系统退火过程的相似性为基础, 利用Metropolis算法并适当地控制温度的下降过程实现模拟退火, 从而达到求解全局优化问题的目的。模拟退火算法在求解TSP、VLSI电路设计等NP完全组合优化问题上取得了很好的结果, 并能应用于求解连续变量函数的全局优化问题, 它具有适用范围广、求得全局最优解的可靠性高、算法简单和便于实现等优点[1]。
2 改进混合智能算法的基本思想
该算法以遗传算法为基础, 将进化策略作为一个独立算子, 其中引入了进化策略的 (μ, λ) 选择算子, 提高算法跳出局部最优的几率, 在算子的变异过程中采用模拟退火的思想。精英保留策略, 更有利于算法收敛到全局最优。几种算法相互借鉴, 起到互补的作用。
3 算法实现流程
步骤1:产生初始群体。随机生成初始群体, 并利用神经元网络对其进行可行性的检验。编码方案采用实数编码。
步骤2:交叉。随机选取两个配对个体进行交叉, 然后随机生成一个0、l标志数, 若标志数为“1”, 则对两个个体中相应位的基因进行负交叉运算;否则对两个个体中相应位的基因进行正交叉运算。
步骤3:变异。引入模拟退火思想, 对需变异的基因位按照Metropolis接受准则判断接
受与否。
步骤4:进化引入随机步长, 用来调整个体进行变异操作时变异量的大小。根据进化策略思想产生新个体。
步骤5:选择。采用进化策略的选择算子 (μ, λ) 。保留迄今为止存在的最优个体。
算法中具体技术的描述:在变异过程中, 对个体中的每个基因都随机生成一个P, P属于[0, 1], 若满足P>Pm (Pm为变异概率) , 则对该位的基因进行变异操作;否则保持不变。下面应用模拟退火思想, 对变异结果, 按照Metropolis接受准则判断接受与否。即:发生变异的个体与其变异后的个体适应度值进行比较, 若变异后个体较优则接受其作为新个体, 并替代变异前个体;否则随机产生一个随机数r若满足下式:exp (f1-f2/T) >r则接受变异后个体作为新个体。式中:f1为变异前个体的适应值;f2为变异后个体的适应值;T为退火温度, 退火函数为T=T0·Sgen, T0为初始温度, S为退火系数, gen为进化代数。若上面两个条件都不满足则不接受新个体。
在进化过程中, 在旧个体基础上增加一个随机量, 从而形成新个体, 这个随机量由步长 (正态分布的标准差) 构成, 可以用来调整个体进行变异操作时变异量的大小。根据进化策略的思想[2], 假设群体的个体X={x, s) 经过变异运算后得到一个新的个体x’={x’, S’}, 则新个体的组成元素是:
其中, N (0, 1) 和Ni (0, 1) 是均值为0, 方差为1的正态随机变量, t和t’是算子集参数, 其中和t i*N i (0, 1) 分别表示变异时的整体步长和个体步长。
在选择过程中, 选择不采用轮盘法那种随机方式, 而是采用进化策略中以确定方式进行的选择算子 (μ, λ) 选择, 使优良个体100%地被保留, 劣质个体100%地被淘汰。在新产生的九个个体中选取p个最优者, 将它们保留到子代群体中, 该选择方式易于跳出局部最优解, 而且能够扩大群体多样性, 从而有效避免未成熟收敛。保留迄今为止存在的最优个体, 保证其不被交叉和变异等遗传算子破坏。具体操作为:计算新群体的适应值, 若新群体中的最优个体优于上代保存的最优个体, 则用该个体替换上代保留的最优个体;否则用上代的最优个体替换新群体中最差的个体。
3 结论
遗传算法所具有的开放式的结构, 与问题的关联性不大, 很容易和其他算法进行结合, 所以将其它智能算法思想融合进遗传算法中是当前遗传算法改进的一个重要方法。基于此, 本文提出了将进化策略和模拟退火算法混合进遗传算法中来构造一种新的智能算法。从数值试验的结果可以看到, 新算法改良了以往遗传算法中易陷入局部最优解问题。随着技术的不断发展, 遗传算法与进化策略两种算法交叉渗透, 差异也在不断缩小, 通过两者的相互借鉴, 必定会产生更多稳定, 高效的新算法。
参考文献
[1]徐临, 唐万生.含有模糊变量双层规划模型的混合智能算法[J].系统工程理论与实践, 2008, 28 (7) .
智能算法 篇10
[关键词]视频监控；智能视频分析；运动目标检测；
[中图分类号]TP391.4 [文献标识码]A [文章编号]1672-5158（2013）06-0203-01
1 引言
随着科学技术的发展以及人们对安全防范意识的不断增强，具有智能分析功能的新一代视频监控系统，已经开始渗入到我们的日常生活当中。
智能视频监控是指在不需要人为干预的情况下，利用计算机视觉分析方法对视频序列进行自动分析，实现运动目标检测、分类、识别、跟踪等，并在此基础上，通过预先设定的规则对目标的行为进行分析，从而为采取进一步措施提供参考（比如在对象进入设防区时自动报警）。其中，运动检测的目的是通过对监控视频图像序列的分析，确定监控场景中有无运动目标，进而把运动区域（也称前景区域）从检测图像中提取出来。在智能视频监控中扮演着重要的角色，是后续目标跟踪和运动分析的基础。
2 运动目标检测算法发展状况
国外对运动目标检测的理论及应用的研究较早，尤其在1996年至1999年间美国国防高级研究项目署的视频监控重大项目VSAM（Videosurveillance and Monitoring）。主要目标是通过视频理解、传感器融合、网络通信技术实现对未来战场、城市、机场等进行自动监控。
在国内，中国科学院自动化研究所里的生物识别与安全技术研究中心CBSR（Center for Biometrics and Security Research）研究开发有行人与车辆的多目标检测、跟踪以及分类、目标异常行为的识别与报警等智能分析技术，并实现一个动态场景集成、分析和演示系统，并最终推向实用。
3 现有的运动目标检测算法
根据序列图像的背景情况，运动目标检测算法可以分为静态背景下运动目标检测算法和动态背景下运动目标检测算法。静态背景是指摄像机在整个监视过程是静止的，而动态背景是指在监视过程中摄像机发生了移动，如平动、旋转或多自由度运动。动态背景下的运动目标检测由于目标与摄像机之间存在着复杂的相对运动，所以检测算法要比静态背景下的检测算法复杂的多。目前，—般的视频监控系统都是采用固定摄像头的方式，因此这里主要是研究静态背景下的运动目标检测算法。
运动目标检测方法主要有以下几种：帧间差分法、背景差分法、光流法以及混合高斯模型法。这些方法基于的原理不同，且各有优劣，以下详细介绍这几种方法。
3.1 帧间差分法
帧间差分法是一种基于像素的运动检测方法，它通过对视频图像序列中相邻两帧或相邻几帧图像进行差分运算来获得运动物体轮廓。
该法是运动目标检测方法最简单的一种，具有较低的时间复杂度以及运算简单等特点，可用于实时检测的系统。但是，这种算法存在一些局限性：（1）检测的运动目标区域大小与目标的运动速度有直接关系。当物体运动缓慢时，相邻两帧间的目标移动的距离小，检测的区域和实体相差也小，但如果速度慢到一定程度就会检测不到；当运动目标的速度很大时，检测的区域相应的会变大，从而造成检测的运动目标准确性偏低。（2）提取的运动区域会产生“空洞”现象。
3.2 背景差分法
背景差分法是通过对给定的视频序列图像进行学习，使用特定的数学模型来对图像中场景的背景进行建模并存储起来，然后用当前的视频序列图像与存储的背景模型做差分并通过选定适当的阈值来二值化，最终就得到相应的运动区域。该法在场景比较简单时，使用简单的背景模型可得到很好的检测效果，但在复杂多变的场景，就会出现过多的漏检现象。
因此，该方法仍需解决以下问题：（1）如何获取理想的背景模型以及建立理想的背景模型；（2）如何保持与更新背景。但是在环境比较复杂的情况下，背景都会随着时间的推移、外界光线变化以及现场环境的变化而发生改变，该法还是不能准确完整地提取运动目标。
3.3 光流法
光流是指图像中灰度模式的运动速度，它是图像中景物的三维速度矢量在成像平面上的投影，它表示了景物在图像中位置的瞬时变化，而光流场是运动场在二维图像上的投影，该物理量包含了有关运动和结构的重要信息。一般情况下，可以通过物体的运动场研究物体的运动，把光流看作运动场，通过研究光流场来估计图像序列的运动情况。
光流法的优点是检测精度较高，适合做精确分析，可以获得目标的运动参数等信息，也可以解决传统的基于特征的运动目标检测难以解决的遮挡，重合等问题。但实际应用中，存在运算量大、件要求较、对噪声非常敏感等问题。
3.4 混合高斯模型法
Grimson等人首先提出了基于混合高斯模型的背景建模算法，它的基本思想是：每一个像素的颜色值用个单高斯分布描述，的选取依赖于像素值的分布情况，通常值取3～5。由于彩色图像颜色通道之间相关性很小，可以忽略各通道间的之间相关性，假定了三个通道相互独立，且具有相同的方差，因此只需对均值、方差和协方差三个参数进行初始化、计算、更新，即可实现混合高斯模型的背景建模。
因此，该算法具有鲁棒性强，受外界条件变化的影响较小，能够适应复杂环境下运动目标检测，不仅克服了帧间差分法容易出现遗漏的缺点，也很好地解决背景差分法对光照等外部条件造成的动态场景变化过于敏感的问题，能够对运动目标进行快速准确的定位。由于混合高斯模型有其自身的优点，所以得到广泛学者的研究。
结论与展望
基于人工智能的心率检测算法 篇11
传统的心率检测方法一般基于绘制心电图(ECG,electrocardiogram)的技术,如图1所示[1]。此种方法需要在人体数个特定部位放置体表电极,用于身体表面各点生物电压的采集;然后,根据各点间电位差,绘制出人体心电图并籍此获得心率信息。由于这种检测方法事先需要进行较为繁琐的准备工作,比如需要花费时间在体表安置电极和预热仪器设备等。此外,由于该检测方法需要仪器与体表直接接触,所以还涉及到清洁仪器、体表消毒等问题。该方法另需通过波形分析方法分析数据,方能获得心率信息。由此可见,在非专业医疗环境特别是那些我们仅需获知被检测者心率信息而对心电图信息不甚关心的场合,以上测试方法显得较为繁琐与不便。综上所述,迫切企盼一种操作简便,无需与人体相接触,并且能够快速完成心率检测的非接触式心率检测方法。
为满足上述需求,前人提出一种基于时滞图像(time-lapse image)分析人体心率的非接触、非侵入式检测方法。该方法通过截取人体脸颊部位特定区域的视频时滞图像,透过该图像区域平均灰度值的离散变化,籍由若干信号处理方法及6阶自回归分析而获取心跳频率(heart rate)及呼吸频率(respiratory rate),较好克服了前文所述传统检测方法的问题。但是,该方法也存在着精确度、可靠性上的缺陷,使得研究者继而思索更佳分析处理方法,从而在满足非接触性、非侵入式特性的同时,提高准确率。
本文尝试在此种方法的基础上,着眼于新算法的开发,提出一种基于人工智能技术中模糊逻辑理论的生体信号分析算法,将其应用于心率检测领域。实验表明,采用该算法之后,检测结果比较理想。
1 研究现状
通过人体局部视频图像信号的变化检测心率,作为一种新颖的非接触式、非侵入式心率检测方案受到学术界的关注。比如,在由Takano C等所发表的文章中[2],提出一种由CCD摄像机捕捉人脸特定目标区域的时滞视频图像后,依次通过一阶微分、低通滤波和6阶自回归分析等信号处理手段,于信号频谱能量最大的两个频段处获取呼吸和心跳频率。然而,由于视频图像信号极易混入噪声的特性,加上该算法先天所存在的局限性,最后的检测结果不甚理想。
2 本文提出方法
为了提高前文所述心率检测方法的精确度,本文尝试在该方法基础上,引入人工智能领域中模糊逻辑的分析算法,籍此能有效提高精确性。
2.1 模糊逻辑简介
模糊逻辑是目前人工智能领域内较为活跃的一个分支。该方法植根于University of California,Berkeley的Lotfi Sedah教授于1965年提出的模糊数学理论,籍由其中的模糊集合论为工具,通过模糊隶属函数之赋值,规避布尔逻辑所带来的“绝对二元性”问题。由于其在精确度、鲁棒性及易用性之间有良好的折衷处理关系,目前已广泛应用于智能家电,医疗仪器和图像处理等领域。
2.2 数据预处理
由数码摄像机采集人脸面颊特定区域的视频时滞图像,其原始数据格式为NTSC,拍摄参数为每秒30桢,即信号采样率为30 Hz。此后经256阶灰度处理,取每桢图像的灰度平均值,所获预处理信号如图2所示。
由于该信号仍存在较大的噪声,宜先进行滤波处理。在此,采用加BLACKMAN窗的方法,其幅频及相频曲线如图3所示,其窗系数方程[4]为:
其中,n为滤波器系数的序列;BLACKMAN滤波器阶数为L=N+1。
基于人体心率的知识,取滤波器通带为0.5 Hz至2 Hz。经过以上处理之后的信号如图4所示。
2.3 算法说明
基于人体心跳特征的研究,可建立以下两条基本知识规则[5]:
1)每次心跳所需时间以一定概率形式分布在时域中,其中包括心率正常者及心率异常者;
2)在每次心跳过程中,信号幅度至少会出现一次较大波峰,心率异常者可能波峰更多。
根据以上知识,基于模糊集合理论[3],我们据此构建两条模糊隶属函数:
基于第一条知识,定义时间模糊隶属函数,在此使用如图5所示的高斯形隶属函数:
其中,τ(t)为信号时间离散值;T为按Takano C方法[2]计算所得心跳频率的倒数;σ决定函数曲线的宽度,取经验值。
基于第二条知识,定义幅值模糊隶属度。由于幅值信号所受的干扰较为严重,因此如图6所示的线性分布被用于刻画幅值模糊隶属度:
其中,x(t)为信号幅度离散值;xmax及xmin分别为信号之极值。
通过以上两维模糊隶属函数之乘积,可定义综合模糊隶属度:
μ=μInt×μAmp
基于以上所定义模糊隶属度,可计算信号每一离散点之综合模糊隶属度。心跳点即为信号综合模糊隶属度最大的点。最后,通过计算一分钟内心跳点的个数,即可获得实验者的心率。
3 实验结果
为了测试本文所提出算法的有效性,将5位被测试者的实际心跳与用本文提出的心率检测算法同时进行对比验证,其结果如表1所示。
通过计算,该算法所得结果与实际心率的相关系数(correlation coefficient)为0.95,而Takano C等[1]所提出的算法检测结果与实际心率的相关系数为0.90。因此,本文提出的算法满足了性能提高的需求,达到设计目的。
4 结论
非接触式心率检测方法由于其方便性、安全性及灵活性受到业界广泛关注与研究。本文在前人基于人体视频时滞图像检测心率方法的基础上,提出了一种新颖的心率检测算法。该算法结合了信号处理技术及人工智能方法,在易用性及精确度之间进行了良好的平衡。实验结果显示,能基本满足心率检测的要求。
参考文献
[1]Electrocardiography.http://en.wikipedia.org/wiki/Ecg
[2]Takano C,Ohta Y.Heart rate measurement based on a time-lapse image[J].Med Eng Phys,2006,29(8):853-857.
[3]李人厚著.智能控制理论和方法[M].西安:西安电子科技大学出版社,2005.
[4]Documentation for MathWorks Products,R2009b.http://www.mathworks.com