基于改进麻雀搜索算法的照明控制优化_张玉杰 (1).pdf

2023 03 10计算机应用,Journal of Computer Applications2023,43(3):835-841ISSN 10019081CODEN JYIIDUhttp：/基于改进麻雀搜索算法的照明控制优化张玉杰，王帆*（陕西科技大学 电气与控制工程学院，西安 710021）（通信作者电子邮箱）摘要：针对当前照明环境存在能耗浪费严重的问题，提出一种基于改进麻雀搜索算法（P-SSA）的照明控制优化方法。首先为增加初始种群的多样性、避免早熟收敛和增强寻优能力，对SSA引入Logistic混沌初始化、柯西变异及历史最优位置的记忆功能；然后综合考虑光环境中人员存在状态、天然光分布及多灯具之间的耦合作用建立适应度函数，并使用DIALux evo专业照明仿真软件获取人工光照度传递矩阵和天然光照度分布；最后对改进的SSA进行性能验证，并使用多个优化算法进行调光系数组合寻优的实验。实验结果表明，相较于粒子群优化算法（PSO）、算术优化算法（AOA）等，基于P-SSA的照明控制优化方法可以快速并精确地找到最优调光系数的组合，并实现满足舒适性为前提下的最大化节能性要求。关键词：麻雀搜索算法；混沌映射；柯西变异；照明控制；节能照明；舒适照明中图分类号：TP273.1 文献标志码：ALighting control optimization based on improved sparrow search algorithmZHANG Yujie，WANG Fan*（College of Electrical and Control Engineering，Shaanxi University of Science and Technology，Xi an Shaanxi 710021，China）Abstract:Aiming at the serious waste of energy in the current lighting environment，a lighting control optimization method based on Progressive Sparrow Search Algorithm（P-SSA）was proposed.Firstly，to increase the diversity of the initial population，avoid premature convergence and enhance the ability to search for optimization，the Logistic chaotic initialization，the Cauchy mutation and the memory function of the historical optimal position were introduced into SSA.Then，the presence of people in the light environment，the distribution of natural light and the coupling between multiple lamps and lanterns were comprehensively considered to establish a fitness function.DIALux evo professional lighting simulation software was used to obtain the artificial illuminance transfer matrix and natural illuminance distribution.Finally，the performance of P-SSA was verified，and several optimization algorithms were used to carry out experiments about optimization of the combination of dimming coefficients.Experimental results show that compared with optimization algorithms such as Particle Swarm Optimization algorithm（PSO）and Arithmetic Optimization Algorithm（AOA），the lighting control optimization method based on P-SSA can find the combination of optimal dimming coefficients quickly and accurately，and meet the requirement of maximum energy saving under the premise of comfort.Key words:Sparrow Search Algorithm(SSA);chaotic mapping;Cauchy mutation;lighting control;energy-efficient lighting;comfort lighting0 引言 随着科技的快速进步和社会的不断发展，建筑能耗居高不下的问题已经成为人们关注的焦点。据统计，建筑能耗占社会总能耗的 30%，而其中照明能耗占建筑能耗的 10%30%1，因此在追求光环境舒适性的同时，降低能耗以实现绿色环保运行也是人们追求的目标。与手动控制相比，楼宇自动化控制系统采用基于时间控制等方式的自动照明控制2相对便利，可以在一定程度上降低能耗；但是自动化照明系统的节能性并没有被充分挖掘且存在控制灵活性较差的缺陷；不能满足智能照明的控制要求。以办公场景为例，工作时间所有的灯具均保持常亮，在满足舒适性照明要求的前提下并没有考虑到光环境中人的因素，当光环境仅有少量人员时，所有的灯具仍然保持高亮，势必造成大量的能耗浪费。因此，在满足舒适性照明的前提下，如何有效节能已成为亟须解决的问题。智能化照明需要综合考虑光环境中人、天然光和多个人工光源之间的耦合因素，以得到所有灯具最优调光系数的组合，因此最优化照明问题是一种非线性、多参数的高维度复杂问题3-4。最优化问题的传统求解方法是线性规划5、牛顿法6等方法，此类方法对初值选取和目标函数等有多种限制性条件要求。生物启发的智能群体算法由于参数量少、算法适应性强、效率高等特点得到了快速发展，如遗传算法文章编号：1001-9081（2023）03-0835-07DOI：10.11772/j.issn.1001-9081.2022010031收稿日期：20220111；修回日期：20220310；录用日期：20220314。基金项目：陕西省教育厅服务地方专项计划项目（21JC004）；深圳市科技计划项目（JSGG20210802154545031）；西安市科技计划项目（2020KJRC0010）；西安市未央区科技计划项目（202015）。作者简介：张玉杰（1966），男，陕西咸阳人，教授，主要研究方向：模式识别、机器学习、智能控制、物联网；王帆（1998），男，陕西渭南人，硕士研究生，主要研究方向：最优化控制、模式识别。第 43 卷计算机应用（Genetic Algorithm，GA）7、粒 子 群 优 化（Particle Swarm Optimization，PSO）算法8、灰狼优化（Gray Wolf Optimization，GWO）算 法9、算 术 优 化 算 法（Arithmetic Optimization Algorithm，AOA）10、秃 鹰 搜 索（Bald Eagle Search optimization，BES）算法11以及麻雀搜索算法（Sparrow Search Algorithm，SSA）12等。与其他启发式算法相比，SSA 具有参数少、局部搜索能力强、搜索速度快等优点，已被广泛应用13-14，但是原始的SSA在求解高维的复杂问题时存在容易陷入局部最优的早熟收敛问题，直接用于照明控制中会由于算法本身的局限，使照明系统仍存在一定节能空间。针对SSA在照明控制中存在的问题，本文引入混沌算子等多策略改进的思路，建立满足舒适性照明和节能性照明的多目标适应度函数，实现基于改进的麻雀搜索算法的迭代寻优，以得到最优化的灯具调光系数的组合，满足智能化照明的控制要求。1 改进的麻雀搜索算法 1.1麻雀搜索算法麻雀搜索算法是受麻雀觅食行为和反捕食行为启发的群智能优化算法。按照觅食能力的强弱将麻雀种群分为发现者和追随者，发现者负责寻找食物来源并为追随者提供食物方向，随机选取部分麻雀作为侦察者，当发生危险时做出反捕食行为。在 SSA 中，选取适应度值最佳的前 10%20%的麻雀作为觅食范围的发现者，位置更新描述如式（1）所示：Xt+1i，j=|Xti，j exp()-i itermax，R2 2/nXt+1P，j+|Xti，j-Xt+1P，j A+L，i 2/n（2）其中：Xtworst，j为t代全局最差个体的j维位置；Xt+1P，j为t+1代发现者最优位置；L为1 d的全1矩阵；A为1 d且元素随机赋值为1或-1的矩阵，A+=AT(AAT)-1。在所有的麻雀中，随机选取部分麻雀进行侦察预警行为，数学表达式如式（3）所示：Xt+1i，j=|Xtbest，j+|Xti，j-Xtbest，j，fi fgXti，j+k()|Xti，j-Xtworst，j(fi-fw)+，fi=fg（3）其 中：Xtbest，j为t代 全 局 最 优 个 体 的 j 维 位 置；随 机 数k -1，1；fi表示i个个体的适应度值；fg表示全局最优适应度值；fw表示全局最差适应度值；为避免分母为 0的小数；步长控制参数N(0，1)。1.2改进的麻雀搜索算法麻雀搜索算法存在容易早熟收敛等问题，本文分别从种群初始化、避免早熟收敛和添加历史最优的“记忆”三个方面着手，优化改进原始SSA，称作P-SSA。1.2.1种群混沌初始化不同的初始化种群方式会影响演化算法寻找全局最优的进程。SSA 采用伪随机数生成器（Pseudo Random Number Generator，PRNG）生成初始种群，易造成麻雀初始位置分布不均匀，进而降低求解精度。与 PRNG 相比，混沌数生成器（Chaotic Number Generator，CNG）利用混沌运动的遍历性、随机性和规律性的特点初始化种群，以提高初始化种群的多样性，进而提高全局搜索能力及寻优精度。本文采用典型混沌系统中Logistic混沌映射15的CNG初始化种群：Z+1=Z(1-Z)（4）其中：Z+1表示迭代第+1次的混沌向量；为 Logistic 参数，0，4。的取值对混沌向量的随机性影响如图 1所示，当取3.7，4.0 时随机性较好，因此本文取=4.0。基于Logistic的初始化种群步骤如下：1）随机生成初值Z0=Z01，Z02，Z0i，Z0n，其中Z0n=z1，z2，zj，zdT，n为种群个数，d为个体维度，zj(0，1)。2）每个麻雀个体的每一维度根据式（4）进行 Logistic 混沌映射，并迭代次。3）迭代完成后，根据式（5）反映射到解空间。Xi=Ld+(Ud-Ld)Zi（5）其中：Xi=x1，x2，xj，xdT为种群中第i个个体的初始位置；Ud为解空间最大上限；Ld为解空间最小下限；为Hadamard乘积。1.2.2早熟收敛判断及柯西变异早熟收敛现象是由于在寻优过程中，某一超级个体的适应度值极大优于个体平均适应度，该超级个体在种群中很快占有较大比例，致使群体多样性急剧下降、进化能力丧失，算法陷入局部最优。为避免SSA早熟收敛，根据群体适应度值方差判断是否陷入局部最优，若小于给定阈值