趙敏華 閆婷 蘇蕤

西安建筑科技大學信息與控制工程學院

ACO-BP模型在某實驗室熱舒適預測中的研究

趙敏華 閆婷 蘇蕤

西安建筑科技大學信息與控制工程學院

以熱舒適指標PMV作為空調(diào)控制系統(tǒng)的控制目標，能夠很大程度上實現(xiàn)舒適與節(jié)能的統(tǒng)一?；诖搜芯苛艘环N蟻群神經(jīng)網(wǎng)絡預測分類模型，并給出了詳細的設計步驟和部分Matlab設計代碼，最后采用某大學實驗室數(shù)據(jù)庫中的夏天數(shù)據(jù)集進行了驗證。結(jié)果表明，采用蟻群算法對BP神經(jīng)網(wǎng)絡進行整定后，不僅克服了BP算法容易陷入局部最優(yōu)的缺點，也加快了螞蟻的收斂速度，提高了熱舒適預測分類的準確性。

熱舒適性 蟻群算法 BP 神經(jīng)網(wǎng)絡 預測分類

0 引言

現(xiàn)代辦公建筑中人們持續(xù)工作的時間較長，房間的熱舒適性與室內(nèi)空氣品質(zhì)直接影響室內(nèi)人員的工作效率和身心健康。研究表明，室內(nèi)良好舒適的環(huán)境可以使人精神愉快、提高工作效率，適宜的熱環(huán)境可提高生產(chǎn)率18%，因此，追求舒適性逐漸成了空調(diào)系統(tǒng)新的趨勢。1984年國際標準化組織（ISO）提出了室內(nèi)熱環(huán)境評價與測量的標準化方法，用PMV和PPD（預測不滿意百分數(shù)）指標來描述和評價熱環(huán)境。該指標綜合考慮熱舒適環(huán)境的影響因素，反映了對同一環(huán)境絕大多數(shù)人的舒適感覺。采用PMV指標作為被控參數(shù)對空調(diào)系統(tǒng)加以控制，既節(jié)省能源、又能夠保證舒適性的要求[1]。

反向神經(jīng)網(wǎng)絡（Back-Propagation network，簡稱BP網(wǎng)絡）是對非線性可微分函數(shù)進行權(quán)值訓練的多層前向網(wǎng)絡，主要應用在函數(shù)逼近、模式識別、分類和數(shù)據(jù)壓縮這幾個方面[2]。本文采用MatlabR2010a建立BP模型對實驗室熱舒適性進行研究。但由于神經(jīng)網(wǎng)絡在預測熱舒適指標時存在訓練時間長、訓練結(jié)果存在隨機性和容易陷入局部極小點等缺點，使得神經(jīng)網(wǎng)絡在應用中受到了一定的限制。蟻群優(yōu)化算法（Ant Colony，ACO）作為一種全局尋優(yōu)能力較強的智能計算方法近年來受到廣泛的關注，本文將ACO與BP算法相融合共同完成神經(jīng)網(wǎng)絡訓練，建立起一種基于ACO-BP模型的實驗室熱舒適性模型，最后通過實例驗證了模型的可行性。

1 數(shù)據(jù)的獲取與預處理

丹麥工業(yè)大學P.O Fanger教授提出的一種綜合性熱舒適指標——PMV，綜合考慮了影響人體熱舒適的六大因素。熱舒適條件應滿足關系[3]：-0.5

表1 根據(jù)PMV-PPD分度值對PMV值范圍分類表

本文數(shù)據(jù)來自西安建筑科技大學“智能建筑環(huán)境技術平臺”熱舒適指標數(shù)據(jù)庫中的夏天數(shù)據(jù)集，該數(shù)據(jù)集包含三種不同類別的PMV值范圍共200個樣本數(shù)據(jù)，每個樣本均由空氣溫度、平均輻射溫度、相對濕度、空氣流動速度、人體新陳代謝率和服裝熱阻共6個特征值組成，所有值均已知。因此構(gòu)建的模型包括6個輸入，設人體對外所做機械功為0，表示在靜坐狀態(tài)下。200個樣本根據(jù)PMV值范圍共分為三類，第一類62個，第二類83個，第三類55個，根據(jù)表1令模型輸出1、2、3分別表示三類PMV值范圍，其中2表示舒適。從三類PMV值中共取100個樣本數(shù)據(jù)作為訓練樣本，剩余100個作為測試樣本。表2和表3是部分輸入和輸出樣本數(shù)據(jù)。

表2 訓練樣本的部分輸入值

表3 訓練樣本的部分輸出值

2 ACO-BP模型的建立

神經(jīng)網(wǎng)絡的泛化能力是由網(wǎng)絡拓撲結(jié)構(gòu)和權(quán)值共同決定的。神經(jīng)網(wǎng)絡的拓撲結(jié)構(gòu)設計與待求解問題的具體形式有很大關系，本文重點討論當網(wǎng)絡結(jié)構(gòu)確定以后，神經(jīng)網(wǎng)絡的權(quán)值訓練方法問題。

2.1 基本思想

針對BP算法容易陷入局部極小的不足，本文提出了ACO-BP神經(jīng)網(wǎng)絡訓練方法。神經(jīng)網(wǎng)絡訓練過程可看作一個最優(yōu)化問題，即找到一組最優(yōu)的實數(shù)權(quán)值組合，使得在此權(quán)值下輸出結(jié)果與期望結(jié)果之間的誤差最小，蟻群算法成為尋找這一最優(yōu)權(quán)值組合的較好選擇。

ACO-BP方法首先利用ACO的全局尋優(yōu)能力為BP提供σ（σ≥1）組較優(yōu)的初始權(quán)值組合，以克服BP算法容易陷入局部最優(yōu)、對初值設置較敏感的缺點；再利用BP算法梯度下降的原理進一步“細調(diào)”權(quán)值，尋找真正的全局最優(yōu)點，以克服由于對定義域進行分割帶來的量化誤差和單一蟻群算法訓練網(wǎng)絡耗費時間過長的不足。

在應用ACO前先將所有權(quán)值的定義域均勻地劃分成若干子區(qū)域，每個子域邊界的點就是一個備選權(quán)值。初始時刻，每一個點有相同的信息素量。每個權(quán)值都有一張信息素表，如表4所示。表中wi為第i個需要優(yōu)化的權(quán)值；ai為劃分刻度值，被看作是一個點；τ(i)為ai所對應的信息素量；spn為候選點的個數(shù)，即定義域被劃分了（spn-1）份數(shù)。螞蟻從每一個權(quán)值的子區(qū)域穿過且僅穿過一次，并記錄相應點的標號。這些子區(qū)域的組合構(gòu)成了神經(jīng)網(wǎng)絡的一組權(quán)值。根據(jù)輸入輸出樣本得到誤差值，再根據(jù)誤差值的大小進行信息素（見表4）的更新。

表4 wi權(quán)值信息素表

2.2 具體步驟

在反傳神經(jīng)網(wǎng)絡的結(jié)構(gòu)已確定的情況下，采用ACO-BP方法訓練神經(jīng)網(wǎng)絡的具體步驟如圖1[4]。

步驟1：初始化。將權(quán)值區(qū)間[Wmin,Wmax]均勻分割spn等分。為每一個參數(shù)建立一張如表4所示的信息素表，設置信息素初值τ0，信息素揮發(fā)系數(shù)ρ，信息素增量強度Q，ACO的最大迭代次數(shù)NACO，BP算法的學習率η，BP算法的最大迭代次數(shù)NBP，訓練誤差退出條件E0，最優(yōu)解保留數(shù)目σ等參數(shù)。

步驟2：釋放m只螞蟻。螞蟻k依據(jù)如下概率公式從一點移動到下一點。

螞蟻記錄所經(jīng)過點的標號，即為該權(quán)值選擇一個數(shù)值，并記錄在tabuk中。當螞蟻為所有權(quán)值參數(shù)選擇值后，螞蟻完成了一次遍歷，記錄的所有值構(gòu)成了該神經(jīng)網(wǎng)絡的所有參數(shù)。輸入訓練樣本，得到相應的輸出，計算誤差E。

步驟3：所有螞蟻構(gòu)造解以后記錄誤差較小的σ組權(quán)值，并比較最小的誤差Emin與E0的大小。如果Emin≤E0轉(zhuǎn)到步驟7，否則轉(zhuǎn)步驟4。

步驟4：信息素更新。按照“精英”更新策略對信息素按下式進行更新：

其中

步驟5：重復步驟2到步驟3，直到滿足最大迭代次數(shù)，轉(zhuǎn)步驟6。

步驟6：采用BP算法進一步訓練神經(jīng)網(wǎng)絡。將蟻群算法找到的σ組最好權(quán)值分別作為BP算法的初始權(quán)值，計算網(wǎng)絡輸出和實際輸出之間的誤差：

yjk為單元j的實際輸出?？傉`差為：

并將誤差由輸出層反向傳播到輸入層，按圖1所示過程調(diào)整權(quán)值。重復以上過程，直到滿足停止條件。

圖1 ACO-BP算法流程圖

步驟7：采用驗證樣本對訓練好的神經(jīng)網(wǎng)絡的泛化能力進行檢驗，如果驗證誤差滿足要求，退出程序；否則轉(zhuǎn)步驟1，重新開始訓練。

3 仿真實驗與結(jié)果分析

為了比較ACO算法對BP模型參數(shù)選取的重要性，將粒子群算法（PSO）也引入BP模型參數(shù)的選取中。采用變步長算法對網(wǎng)絡進行訓練，直到網(wǎng)絡各單元的連接權(quán)值趨于穩(wěn)定，總誤差平方和小于0.001，訓練結(jié)束。網(wǎng)絡從學習樣本中抽取了因果關系，建立了一個由人體熱舒適感影響因素到PMV指標的映射的神經(jīng)網(wǎng)絡[5]。兩個模型的網(wǎng)絡訓練收斂過程如圖2和圖3所示。

圖4和圖5是兩種模型的最優(yōu)分類結(jié)果圖。從圖中可以看出，ACO-BP分類結(jié)果優(yōu)于PSO-BP，最好結(jié)果達到100%，PSO-BP最好達到99.333%。

圖2 網(wǎng)絡訓練收斂過程

圖3 網(wǎng)絡訓練收斂過程

圖4 基于PSO-BP模型的預測分類結(jié)果

圖5 基于ACO-BP模型的預測分類結(jié)果

表5給出了兩種模型20次預測結(jié)果平均準確率和運行時間，從表中看出ACO-BP的預測平均率高于PSO-BP，其結(jié)果比PSO-BP高0.6224%。從運行時間來看，ACO-BP模型運行時間要比PSO-BP長，但是考慮到在搜索σ組較優(yōu)的權(quán)值組合和尋找真正的全局最優(yōu)點以及現(xiàn)有高級計算機的運行效率，這種時間級的運行代價將更小，因此采用ACO算法對BP神經(jīng)網(wǎng)絡進行整定，不僅保證了預測精確度，而且高效。

表5 兩種模型預測結(jié)果對比

4 結(jié)語

本文研究了基于ACO-BP的實驗室熱舒適性分類模型，文中給出了模型的詳細設計步驟，并給出了部分Matlab代碼。最后的實驗表明，將ACO算法引入到BP模型中尋找最優(yōu)參數(shù)，并將其應用到某大學實驗室熱舒適性分類是可行的，對提高BP模型的分類準確率是有效的，此模型也可以推廣到其他分類預測中。

[1]王丹,曹紅奮.基于PMV控制目標的舒適性空調(diào)應用研究[J].潔凈與空調(diào)技術,2011,2(3):8-11

[2]申歡迎.基于PMV指標的舒適空調(diào)模糊控制系統(tǒng)仿真研究[D].成都:西南交通大學,2004

[3]羅婷.基于PMV指標的室內(nèi)熱舒適控制方法的應用研究[D].濟南:山東建筑大學,2009

[4]牛玉磊.ACO-BP在拱壩變形監(jiān)測中的應用[J].淮海工學院學報,2011,9(12):95-97

[5]楊洪祥.基于廣義預測的變風量空調(diào)末端仿真與控制研究[D].北京:北京工業(yè)大學,2009

Re s e a rc h ACO-BP in a La bora tory Mode l to Pre dic t the The rm a l Com fort

ZHAO Min-hua,YAN Ting,SU Rui
Information and Control Engineering,Xi’an University of Architecture and Technology

Taking thermal comfort index PMV as a control target of air-conditioning control system,comfort and energy efficiency can be achieved largely unified.An ant colony neural network predictive classification model was developed, and a detailed design steps and some Matlab design code was given.Finally,the model was verified by a university laboratory database summer datasets.The results showed that the use of ant colony algorithm BP neural network tuning, BP algorithm not only overcome the shortcomings easy to fall into local optimum,but also accelerate the convergence speed of ants to improve the accuracy of prediction classification.

thermal comfort,ant colony algorithm,BP neural network,prediction classification

1003-0344（2015）05-073-4

2014-5-5

閆婷（1989～），女，碩士研究生；陜西省西安市碑林區(qū)雁塔路13號（710055）；E-mail:531804252@qq.com

陜西省教育廳自然科學研究項目基金（12JK0999）；西安建筑科技大學科技計劃項目（JC1215）