CN104898417A

CN104898417A - 一种室内光照温度控制的物联网优化方法

Info

Publication number: CN104898417A
Application number: CN201510159258.0A
Authority: CN
Inventors: 赵春波
Original assignee: Binzhou University
Current assignee: Binzhou University
Priority date: 2015-04-03
Filing date: 2015-04-03
Publication date: 2015-09-09

Abstract

本发明公开了一种室内光照温度控制的物联网优化方法，其特征在于，根据单片机测定的室内温度和光照度数据建立电机运行控制矩阵，根据实时测量得到光照和温度数据运用离散粒子群算法进行控制优化，进一步进行实时电机控制。本发明的有益效果是通过温度传感器测量得到温度、光照传感器测量得到光照度，然后通过粒子群优化算法实现温度变化与电机转动间关系，最后精确控制电机转动。

Description

一种室内光照温度控制的物联网优化方法

技术领域

本发明属于通信装置技术领域，涉及一种室内光照温度控制的物联网优化方法。

背景技术

粒子群算法，也称粒子群优化算法(Particle Swarm Optimization)，缩写为PSO，是近年来发展起来的一种新的进化算法(Evolutionary Algorithm-EA)。PSO算法属于进化算法的一种，和模拟退火算法相似，它也是从随机解出发，通过迭代寻找最优解，它也是通过适应度来评价解的品质，但它比遗传算法规则更为简单，它没有遗传算法的“交叉”(Crossover)和“变异”(Mutation)操作，它通过追随当前搜索到的最优值来寻找全局最优。

PSO从这种模型中得到启示并用于解决优化问题。PSO中，每个优化问题的解都是搜索空间中的一只鸟。我们称之为“粒子”。所有的粒子都有一个由被优化的函数决定的适应值(fitness value)，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。PSO初始化为一群随机粒子(随机解)。然后通过迭代找到最优解。在每一次迭代中，粒子通过跟踪两个"极值"来更新自己。第一个就是粒子本身所找到的最优解，这个解叫做个体极值pBest。另一个极值是整个种群目前找到的最优解，这个极值是全局极值gBest。另外也可以不用整个种群而只是用其中一部分作为粒子的邻居，那么在所有邻居中的极值就是局部极值。

现有技术还未有通过测量得到的光照度和温度数据运用离散粒子群算法进行优化控制电机的方法出现。

发明内容

本发明的目的是提供一种室内光照温度控制的物联网优化方法，解决了现有技术中存在的问题。

本发明所采用的技术方案是，一种室内光照温度控制的物联网优化方法，其特征在于，根据单片机测定的室内温度和光照度数据建立电机运行控制矩阵，根据实时测量得到光照和温度数据运用离散粒子群算法进行控制优化，进一步进行实时电机控制。

本发明的特征还在于，离散粒子群算法的步骤为：随机初始化种群中各个微粒的位置和速度，评价每个微粒的适应度，将当前各微粒的位置和适应值存储在各个微粒的pbest中，将所有pbest中适应度值最优个体的位置和适应值存储于gbest中，更新粒子的位置和速度；对每个微粒，将其适应值与其经历过的最好位置作比较，如果较好，则将其作为当前最好位置；比较当前所有pbest和gbest的值，更新gbest；若满足停止条件，搜索停止，输出结果，否则继续搜索。

本发明的有益效果是，通过温度传感器测量得到温度、光照传感器测量得到光照度，然后通过粒子群优化算法实现温度变化与电机转动间关系，最后精确控制电机转动。

具体实施方式

本发明一种室内光照温度控制的物联网优化方法，根据单片机测定的室内温度和光照度数据建立电机运行控制矩阵。根据实时测量得到光照和温度数据运用离散粒子群算法进行控制优化，并进一步进行实时电机控制。

温度传感器测量得到的温度T_i，根据前后时刻测量差值△T_i的取值设定为{-2,-1,0,1,2}，其中，1代表在各个采样点处温度变化在0.1℃左右。外部光照传感器测量得到的光照度为L_i，根据前后时刻测量差值△L_i的取值为{-2,-1,0,1,2}，其中，1代表在各个采样点处光照度变化在10lm左右。电机转动角度为W_i，根据前后时刻电机转动差值W_i的取值为{-2,-1,0,1,2}，其中，1代表在各个电机控制时刻转动角度18度。

当T_i>设定温度值(20℃)时，在采样区间[t1,t2]，温度变化与电机转动间关系为如下：

△T₁	△T₂	△T₃	△T₄	△T₅
					W₁	W₂	W₃	W₄	W₅

当T_i<设定温度值(20℃)时，在采样区间[t1,t2]，温度变化与电机转动间关系为如下：

△T₁	△T₂	△T₃	△T₄	△T₅
					W_1’	W_2’	W_3’	W_4’	W_5’

在采样区间[t1,t2]，光照度变化与电机转动间关系为如下：

△L₁	△L₂	△L₃	△L₄	△L₅
					W₁	W₂	W₃	W₄	W₅

下面列出了PSO参数以及经验设置

粒子数:一般取10个粒子已经足够可以取得好的结果,不过对于比较难的问题或者特定类别的问题，粒子数可以取到100或200。

粒子的长度:这是由优化问题决定,就是问题解的长度2。

粒子的范围:由优化问题决定,每一维可是设定不同的范围属于[-10,10]。

Vmax:最大速度,决定粒子在一个循环中最大的移动距离,通常设定为粒子的范围宽度,本设计中粒子(W1,W2)W1属于[-10,10],那么Vmax的大小就是20。

学习因子:c1和c2通常等于2.不过在文献中也有其他的取值.但是一般c1等于c2并且范围在0和4之间。

中止条件:最大循环数以及最小错误要求.最大循环设定为20。

在采样区间[t1，t2]内可以获得两组电机控制序列每个序列包含10个数据，分别是温度控制序列{W1}和光照度控制序列{W2}，采用粒子群算法计算min{W1+W2}从而获得每次电机转动的最小值W_MIN。

算法原理：粒子群算法采用常数学习因子c1和c2以及常惯性权重w,粒子根据如下的公式来更新自己的速度和新的位置。

V_i，j(t+1)＝wvi,j(t)+c1r1[pi,j-xi,j(t)]+c2r2[pg,j-xi,j(t)]

Xi,j(t+1)＝xi,j(t)+vi,j(t+1),j＝1,2,…d

基本粒子群算法的基本步骤如下：1.随机初始化种群中各个微粒的位置和速度。2.评价每个微粒的适应度，将当前各微粒的位置和适应值存储在各个微粒的pbest中，将所有pbest中适应度值最优个体的位置和适应值存储于gbest中。3.更新粒子的位置和速度。4.对每个微粒，将其适应值与其经历过的最好位置作比较，如果较好，则将其作为当前最好位置。5.比较当前所有pbest和gbest的值，更新gbest；若满足停止条件(通常为预设的运算精度或迭代次数)，搜索停止，输出结果，否则继续搜索。

Claims

1.一种室内光照温度控制的物联网优化方法，其特征在于，根据单片机测定的室内温度和光照度数据建立电机运行控制矩阵，根据实时测量得到光照和温度数据运用离散粒子群算法进行控制优化，进一步进行实时电机控制。

2.根据权利要求1所述的一种室内光照温度控制的物联网优化方法，其特征在于，所述离散粒子群算法的步骤为：随机初始化种群中各个微粒的位置和速度，评价每个微粒的适应度，将当前各微粒的位置和适应值存储在各个微粒的pbest中，将所有pbest中适应度值最优个体的位置和适应值存储于gbest中，更新粒子的位置和速度；对每个微粒，将其适应值与其经历过的最好位置作比较，如果较好，则将其作为当前最好位置；比较当前所有pbest和gbest的值，更新gbest；若满足停止条件，搜索停止，输出结果，否则继续搜索。