劉紅敏 王一初 龔志豪 徐斌

摘要：由于恒值空調(diào)已經(jīng)不能滿足船舶艙室人員的熱舒適要求，運(yùn)用遺傳算法求解熱舒適方程，并提出利用遺傳算法改進(jìn)神經(jīng)網(wǎng)絡(luò)的船舶艙室熱舒適預(yù)測模型。仿真結(jié)果表明，該模型具有良好的仿真性能，預(yù)測準(zhǔn)確性高。該模型對(duì)提升船舶艙室的環(huán)境質(zhì)量和提高船舶工作人員及乘客的熱舒適度起到很大的幫助。

關(guān)鍵詞： 船舶熱舒適; 遺傳算法; 神經(jīng)網(wǎng)絡(luò); 模型預(yù)測; MATLAB

中圖分類號(hào)： U663.8;TU831.3 ? ?文獻(xiàn)標(biāo)志碼： A

Abstract： Because constant air conditioning can no longer meet the thermal comfort requirements of ship cabin personnel， the genetic algorithm is adopted to solve the thermal comfort equation， and the prediction model of ship cabin thermal comfort is proposed， where the neural network is improved by the genetic algorithm. Simulation results show that， the model is of good simulation performance and high prediction accuracy. It is very helpful to improve the environmental quality of ship cabins and the thermal comfort of ship crew and passengers.

Key words： ship thermal comfort; genetic algorithm; neural network; model prediction; MATLAB

目前船舶艙室環(huán)境的調(diào)節(jié)主要通過船舶空調(diào)設(shè)備，大多數(shù)以恒溫調(diào)控為主，并不能完全滿足船員和乘客對(duì)船舶舒適環(huán)境的要求。為營造輕松舒適的船舶環(huán)境，需要根據(jù)船舶的特殊性選取一個(gè)適用于船舶艙室的熱舒適模型，實(shí)現(xiàn)對(duì)船舶的熱舒適控制。

遺傳算法（genetic algorithm，GA）作為求解問題的一類自組織和自適應(yīng)的人工智能技術(shù)，已經(jīng)被廣泛應(yīng)用。SHAO等[1]為了系統(tǒng)地研究Au-Ag納米粒子的結(jié)構(gòu)穩(wěn)定性，增強(qiáng)初始化期間結(jié)構(gòu)穩(wěn)定性，提高全局搜索能力和局部優(yōu)化速度，提出一種改進(jìn)的GA。QIN等[2]為解決約束單目標(biāo)和多目標(biāo)優(yōu)化問題，開發(fā)了一種采用懲罰的無參數(shù)方法來處理約束的GA優(yōu)化器，利用改進(jìn)的GA優(yōu)化器進(jìn)行汽車形狀優(yōu)化。島嶼和礁石區(qū)域路線規(guī)劃是一個(gè)復(fù)雜的多目標(biāo)組合優(yōu)化問題，GAO等[3]提出了一種用于啟動(dòng)導(dǎo)航路徑的掃描搜索方法，并采用改進(jìn)的人工神經(jīng)網(wǎng)絡(luò)（artificial neural network， ANN）調(diào)整路徑，最終得到最優(yōu)結(jié)果。

ANN是由大量處理單元組成的非線性、自適應(yīng)信息處理系統(tǒng)。LEE等[4]在建筑物的暖通空調(diào)（heating ventilation air conditioning，HVAC）系統(tǒng)中采用ANN最優(yōu)控制模型，不僅可以降低建筑物空調(diào)系統(tǒng)的能源消耗，滿足建筑物居住者的熱舒適性，還可以減少電網(wǎng)中的能源生產(chǎn)，穩(wěn)定電網(wǎng)并促進(jìn)智能電網(wǎng)發(fā)展。WANG等[5]為預(yù)測混合噴射器空調(diào)系統(tǒng)的性能，選擇了3種ANN對(duì)所提出的平臺(tái)進(jìn)行建模，發(fā)現(xiàn)多層感知器ANN優(yōu)于其他兩個(gè)網(wǎng)絡(luò)。JANI等[6-7]發(fā)現(xiàn)采用ANN模型預(yù)測的旋轉(zhuǎn)干燥劑除濕器性能與對(duì)干燥劑輪性能的實(shí)驗(yàn)測試結(jié)果高度一致，并開發(fā)了用于固體干燥劑-蒸汽壓縮混合空調(diào)系統(tǒng)的ANN模型來預(yù)測系統(tǒng)的冷卻能力、輸入功率和性能系數(shù)。

為改善船舶艙室環(huán)境的熱舒適性，需要摒棄船舶艙室定值控制空調(diào)，代之以熱舒適調(diào)節(jié)的空調(diào)。熱舒適空調(diào)的控制與使用需要合適的算法進(jìn)行熱舒適預(yù)測。就此本文采用GA改進(jìn)的ANN對(duì)船舶艙室舒適性進(jìn)行研究分析。

1 熱舒適度評(píng)價(jià)指標(biāo)選取

（3）遺傳過程。首先，采用排序選擇的方法，根據(jù)個(gè)體的適應(yīng)度值從小到大排列個(gè)體，然后根據(jù)輪盤賭的選擇方式對(duì)個(gè)體進(jìn)行選擇。其次，采用單點(diǎn)交叉的方式進(jìn)行交叉操作，交叉概率取0.3，在經(jīng)過選擇操作后的染色體組中隨機(jī)選擇兩條染色體，在隨機(jī)選擇的染色體上再隨機(jī)選擇一個(gè)交換點(diǎn)對(duì)這兩個(gè)點(diǎn)的值進(jìn)行交叉。最后，在交叉操作后進(jìn)行均勻的基因突變，使用均勻分布的隨機(jī)數(shù)在編碼字符串中選擇進(jìn)行突變的基因，把被選擇的基因值替換為其他基因，基本位變異的概率為0.1。

（4）最優(yōu)GA-BP神經(jīng)網(wǎng)絡(luò)。遺傳迭代周期結(jié)束后，從優(yōu)化后的最后一代種群中選擇適應(yīng)度值較高的個(gè)體，輸出到BP神經(jīng)網(wǎng)絡(luò)模型中，通過神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到船舶艙室熱舒適預(yù)測模型。

總的來說：首先，通過測試數(shù)據(jù)計(jì)算當(dāng)前種群中每條染色體的適應(yīng)度函數(shù)值;其次，把BP神經(jīng)網(wǎng)絡(luò)系統(tǒng)的初始權(quán)值和閾值變換為遺傳算法的初始種群;再次，根據(jù)適應(yīng)度值重復(fù)選擇、交叉和變異過程，直到達(dá)到指定的最大遺傳迭代次數(shù)為止，輸出最優(yōu)的權(quán)值和閾值到神經(jīng)網(wǎng)絡(luò)系統(tǒng);最后，用測試樣本對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，直到達(dá)到最大訓(xùn)練次數(shù)或設(shè)定精度后，輸出最優(yōu)的船舶艙室熱舒適BP神經(jīng)網(wǎng)絡(luò)模型。

3.3 仿真分析

本文采用MATLAB軟件進(jìn)行模型仿真，以PMV*方程生成的數(shù)據(jù)為基礎(chǔ)預(yù)測熱舒適條件下的船舶艙室空氣溫度。用BP神經(jīng)網(wǎng)絡(luò)模型和GA-BP神經(jīng)網(wǎng)絡(luò)模型對(duì)4種不同的拓?fù)浣Y(jié)構(gòu)（隱含層神經(jīng)元數(shù)量不同）進(jìn)行訓(xùn)練和測試的次數(shù)為100次，隱含層神經(jīng)元數(shù)量S1分別為7、10、13和16，學(xué)習(xí)率為0.1，訓(xùn)練精度為0.000 4。

3.3.1 樣本數(shù)據(jù)

根據(jù)PMV*方程，以PMV*設(shè)定值、平均輻射溫度、艙室空氣流速、艙室內(nèi)相對(duì)濕度、人體服裝熱阻和人體新陳代謝率作為輸入數(shù)據(jù)，以熱舒適條件下艙室空氣溫度為輸出數(shù)據(jù)，輸入數(shù)據(jù)和輸出數(shù)據(jù)均來自由PMV*方程計(jì)算所得的數(shù)據(jù)。所得數(shù)據(jù)共2 000組，隨機(jī)抽取95%的數(shù)據(jù)作為訓(xùn)練樣本（即訓(xùn)練樣本1 900組），其余5%的數(shù)據(jù)作為測試樣本（即測試樣本100組），對(duì)GA-BP神經(jīng)網(wǎng)絡(luò)模型和BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練和測試。所用數(shù)據(jù)見表2。

由圖9可知：當(dāng)隱含層神經(jīng)元數(shù)量等于7時(shí)，優(yōu)化前后的神經(jīng)網(wǎng)絡(luò)預(yù)測值的絕對(duì)誤差最大值分別為0.72和0.33;當(dāng)隱含層神經(jīng)元數(shù)量等于10時(shí)，優(yōu)化前后的神經(jīng)網(wǎng)絡(luò)預(yù)測值的絕對(duì)誤差最大值分別為0.54和0.34;當(dāng)隱含層神經(jīng)元數(shù)量等于13時(shí)，優(yōu)化前后的神經(jīng)網(wǎng)絡(luò)預(yù)測值的絕對(duì)誤差最大值分別為0.20和0.12;當(dāng)隱含層神經(jīng)元數(shù)量等于16時(shí)，優(yōu)化前后的神經(jīng)網(wǎng)絡(luò)預(yù)測值的絕對(duì)誤差最大值分別為0.61和0.67。

由圖10可知：當(dāng)隱含層神經(jīng)元數(shù)量等于7時(shí)，優(yōu)化前后的神經(jīng)網(wǎng)絡(luò)預(yù)測值的絕對(duì)誤差平均值分別為0.20和0.07;當(dāng)隱含層神經(jīng)元數(shù)量等于10時(shí)，優(yōu)化前后的神經(jīng)網(wǎng)絡(luò)預(yù)測值的絕對(duì)誤差平均值分別為0.09和0.04;當(dāng)隱含層神經(jīng)元數(shù)量等于13時(shí)，優(yōu)化前后的神經(jīng)網(wǎng)絡(luò)預(yù)測值的絕對(duì)誤差平均值分別為0.04和0.03;當(dāng)隱含層神經(jīng)元數(shù)量等于16時(shí)，優(yōu)化前后的神經(jīng)網(wǎng)絡(luò)預(yù)測值的絕對(duì)誤差平均值分別為0.08和0.05。

由圖11可知：當(dāng)隱含層神經(jīng)元數(shù)量等于7時(shí)，優(yōu)化前后的神經(jīng)網(wǎng)絡(luò)預(yù)測值誤差的方差分別為0.071 7和0.008 8;當(dāng)隱含層神經(jīng)元數(shù)量等于10時(shí)，優(yōu)化前后的神經(jīng)網(wǎng)絡(luò)預(yù)測值誤差的方差分別為0.017 2和0.003 7;當(dāng)隱含層神經(jīng)元數(shù)量等于13時(shí)，優(yōu)化前后的神經(jīng)網(wǎng)絡(luò)預(yù)測值誤差的方差分別為0.003 8和0.001 9;當(dāng)隱含層神經(jīng)元數(shù)量等于16時(shí)，優(yōu)化前后的神經(jīng)網(wǎng)絡(luò)預(yù)測值誤差的方差分別為0.015 7和0.008 4。

由上述預(yù)測結(jié)果可知：優(yōu)化前和優(yōu)化后的神經(jīng)網(wǎng)絡(luò)模型都是在隱含層神經(jīng)元數(shù)量為13時(shí)，預(yù)測值的絕對(duì)誤差最大值最小，絕對(duì)誤差平均值最小，方差最小;當(dāng)隱含層神經(jīng)元數(shù)量為13時(shí)，優(yōu)化后的神經(jīng)網(wǎng)絡(luò)預(yù)測值的絕對(duì)誤差最大值比優(yōu)化前的小0.08，優(yōu)化后的神經(jīng)網(wǎng)絡(luò)預(yù)測值的絕對(duì)誤差平均值比優(yōu)化前的小0.01，優(yōu)化后的神經(jīng)網(wǎng)絡(luò)預(yù)測值誤差的方差比優(yōu)化前的小0.001 9。也就是說，在所有的預(yù)測結(jié)果中，當(dāng)隱含層神經(jīng)元數(shù)量為13時(shí)GA優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果的誤差最小、最準(zhǔn)確，且波動(dòng)最小、最穩(wěn)定。

3.4 結(jié) 論

與BP神經(jīng)網(wǎng)絡(luò)相比，GA優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)能夠有效避免訓(xùn)練進(jìn)入局部最小點(diǎn)，使神經(jīng)網(wǎng)絡(luò)預(yù)測誤差更小，預(yù)測結(jié)果更為精準(zhǔn)。由結(jié)果可以看出隱含層神經(jīng)元數(shù)量太少會(huì)導(dǎo)致預(yù)測誤差大，而隱含層神經(jīng)元數(shù)量太多又會(huì)導(dǎo)致神經(jīng)網(wǎng)絡(luò)模型過擬合從而使誤差增大。目前對(duì)神經(jīng)網(wǎng)絡(luò)模型中隱含層神經(jīng)元數(shù)量的選擇大多依靠經(jīng)驗(yàn)或者根據(jù)實(shí)驗(yàn)數(shù)據(jù)總結(jié)出的結(jié)論。本文提出的GA-BP神經(jīng)網(wǎng)絡(luò)熱舒適預(yù)測模型具有良好的仿真性能，預(yù)測精度高，隱含層神經(jīng)元數(shù)量少。隱含層神經(jīng)元的數(shù)量對(duì)GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測有很大的影響，本文在其等于13時(shí)所得預(yù)測誤差最小。GA-BP神經(jīng)網(wǎng)絡(luò)模型有助于獲得更準(zhǔn)確的預(yù)測結(jié)果，對(duì)于營造船舶舒適的艙室環(huán)境，提高船舶工作人員的工作效率，緩解工作帶來的疲勞有很大的幫助。

4 結(jié)束語

針對(duì)船舶艙室熱舒適控制的實(shí)時(shí)性和方便性要求，構(gòu)造熱舒適神經(jīng)網(wǎng)絡(luò)實(shí)時(shí)預(yù)測系統(tǒng)，并采用遺傳算法（GA）優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)提高預(yù)測溫度精準(zhǔn)值。本文的預(yù)測模型僅選取了室內(nèi)溫度作為控制對(duì)象，其他影響參數(shù)根據(jù)熱舒適區(qū)取定值，沒有全面預(yù)測各可控參數(shù)，存在一定局限性，因此后續(xù)研究可以通過改進(jìn)算法進(jìn)行多目標(biāo)預(yù)測，對(duì)船舶空調(diào)進(jìn)行多參數(shù)組合控制，使得船舶艙室環(huán)境更舒適。

參考文獻(xiàn)：

[1] SHAO Guifang， SHANGGUAN Yali， TAO Jiping， et al. An improved genetic algorithm for structural optimization of Au-Ag bimetallic nanoparticles[J]. Applied Soft Computing Journal， 2018， 73： 39-49. DOI： 10.1016/j.asoc.2018.08.019.

[2] QIN Huan， GUO Yi， LIU Zijian， et al. Shape optimization of automotive body frame using an improved genetic algorithm optimizer[J]. Advances in Engineering Software， 2018， 121： 235-249. DOI： 10.1016/j.advengsoft.2018.03.015.

[3] GAO Miao， SHI Guoyou， LI Weifeng， et al. An improved genetic algorithm for island route planning[J]. Procedia Engineering， 2017， 174： 433-441. DOI： 10.1016/j.proeng.2017.01.163.

[4] LEE Y M， HORESH R， LIBERTI L. Optimal HVAC control as demand response with on-site energy storage and generation system[J]. Energy Procedia， 2015， 78： 2106-2111. DOI： 10.1016/j.egypro.2015.11.253.

[5] WANG Hao， CAI Wenjian， WANG Youyi. Modeling of a hybrid ejector air conditioning system using artificial neural networks[J]. Energy Conversion and Management， 2016， 127： 11-24. DOI： 10.1016/j.enconman.2016.08.088.

[6] JANI D B， MISHRA M， SAHOO P K. Performance prediction of rotary solid desiccant dehumidifier in hybrid air-conditioning system using artificial neural network[J]. Applied Thermal Engineering， 2016， 98： 1091-1103. DOI： 10.1016/j.applthermaleng.2015.12.112.

[7] JANI D B， MISHRA M， SAHOO P K. Performance prediction of solid desiccant： vapor compression hybrid air-conditioning system using artificial neural network[J]. Energy， 2016， 103： 618-629. DOI： 10.1016/j.energy.2016.03.014.

[8] 莫志姣， 唐江明， 谷正氣， 等. 基于PMV-PPD可視化車室熱舒適性仿真研究[J]. 計(jì)算機(jī)仿真， 2016， 33（9）： 163-168. DOI： 10.3969/j.issn.1006-9348.2016.09.035.

[9] GILANI S I U H， KHAN M H， PAO W. Thermal comfort analysis of PMV model prediction in air conditioned and naturally ventilated buildings[J]. Energy Procedia， 2015， 75： 1373-1379. DOI： 10.1016/j.egypro.2015.07.218.

[10] 邢娜. 熱舒適條件下的船舶空調(diào)節(jié)能研究[D]. 上海： 上海海事大學(xué)， 2007.

[11] ZHANG Lina， CHANG Jinming. A novel grid phase estimating algorithm based on BP neutral network[J]. Applied Mechanics and Materials， 2013， 239-240： 1507-1510. DOI： 10.4028/www.scientific.net/amm.239-240.1507.

（編輯 賈裙平）