CN113379136A - 一种基于多目标优化算法的运动计划的生成方法 - Google Patents

Abstract

本发明公开了一种基于多目标优化算法的运动计划的生成方法，具体按照如下步骤实施：步骤1，根据用户数据库中的数据获取所需要的用户属性，并计算运动量；步骤2，获取课程库中课程的课程属性，并对课程进行分类；步骤3，根据步骤2课程分类结果以及步骤1中的运动量定义目标函数以及待优化参数；步骤4，采用人工雨滴算法对目标函数进行优化，得到优化后的参数；步骤5，计算优化出的参数对应每类课程库中课程对应参数的相似性；步骤6，将步骤5计算出的每类中的相似性最高的课程进行组合，生成最终的个性化运动课程计划。本发明解决了现有技术中存在的无法针对运动者个人的身体状况以及运动目标做出个性化的指导的问题。

Description

一种基于多目标优化算法的运动计划的生成方法

技术领域

本发明属于运动课程计划的生成方法技术领域，涉及一种基于多目标优 化算法的运动计划的生成方法。

背景技术

随着社会的发展，人们在提高物质生活的同时，对于身体健康的关注也 逐渐提高，进行健身的人越来越多，运动健身的课程也多种多样。而人们对 运动课程的选择并不具有专业性，一对一的健身指导又不具有普遍性。因此 个性化的运动课程计划的生成对运动者的运动效果起着至关重要的作用。

目前存在的运动课程的指导方法大多无法针对运动者个人的身体状况以 及运动目标做出个性化的指导方案，并且无法保证运动课程的多样性和运动 者对课程的满意程度。运动者想要达到预期的运动效果并且保证运动课程的 多样性，需要采用适合运动者运动参数(运动强度、运动时间、运动频率) 的运动课程计划。

发明内容

本发明的目的是提供一种基于多目标优化算法的运动计划的生成方法， 解决了现有技术中存在的无法针对运动者个人的身体状况以及运动目标做 出个性化的指导的问题。

本发明所采用的技术方案是，一种基于多目标优化算法的运动计划的生 成方法，具体按照如下步骤实施：

步骤1，根据用户数据库中的数据获取所需要的用户属性，并计算运动 量W；

步骤2，获取课程库中课程的课程属性，并对课程进行分类；

步骤3，根据步骤2课程分类结果以及步骤1中的运动量W定义目标函 数maxF(x)以及待优化参数；

步骤4，采用人工雨滴算法对目标函数maxF(x)进行优化，得到优化后 的参数；

步骤5，计算优化出的参数对应每类课程库中课程对应参数的相似性；

步骤6，将步骤5计算出的每类中的相似性最高的课程进行组合，生成 最终的个性化运动课程计划。

本发明的特征还在于，

步骤1具体为：

步骤1.1，根据用户数据库中的数据获取所需要的用户属性，用户属性 为姓名、性别、年龄、身高、体重、所使用运动处方的名称、处方强度、处 方时长、处方频率；

步骤1.2，将步骤1.1获取的用户属性存入新的数据表中，形成新的用户 数据，并使用处方强度Q_处、处方时间T_处、处方频率P_处使用公式(1)进行 运动量W的计算：

W＝Q_处*T_处*P_处 (1)。

步骤2具体为：

步骤2.1，获取课程库中课程的课程属性，课程属性为课程名称、课程 类型、动作个数、卡路里消耗、持续时间、具体动作；

步骤2.2，对课程库中的课程按照课程属性中的课程类型进行分类，分 为提高有氧耐力型、减脂瘦身型、力量强化型三种类型；

步骤2.3，根据获取的课程属性分别计算不同类型课程对应的强度，其 中提高有氧耐力型的强度Q_氧计算公式为：

其中，C_氧为课程的卡路里消耗，T_氧为课程的持续时间；

按照公式(2)代入减脂瘦身型、力量强化型课程的卡路里消耗C_减、C_力以 及持续时间T_减、T_力，分别计算出减脂瘦身型、力量强化型课程的强度Q_减和 Q_力。

步骤3具体为：

目标函数maxF(x)的公式为：

maxF(x)＝maxf₁(x)+maxf₂(x)+maxf₃(x) (3)

其中，

其中，q_氧为提高有氧耐力型的强度、t_氧为提高有氧耐力型的时间、q_减为减 脂瘦身型的强度、t_减为减脂瘦身型的时间，q_力为力量强化型的强度、t_力为 力量强化型的时间，p为运动频率，α为敏感系数，ω₁、ω₂、ω₃为分配权重 并且ω₁+ω₂+ω₃＝1，q_氧、t_氧、q_减、t_减、q_力、t_力、p、ω₁、ω₂为待优化 参数。

步骤4具体为：

步骤4.1，初始化水汽

随机生成N组参数组合，参数为步骤3定义的待优化参数，每组参数均 包括运动频率p、提高有氧耐力型课程的分配权重ω₁、减脂瘦身型课程的分 配权重ω₂、提高有氧耐力型课程的强度q_氧和时间t_氧、减脂瘦身型课程的强 度q_减和时间t_减、力量强化型课程的强度q_力和时间t_力共9个参数；

步骤4.2，定义最大迭代次数为M，最大流动次数为MFN，流动因子1 为l₁，流动因子2为l₂，雨滴池的大小为RP_size，碰撞因子1为a₁，碰撞因 子2为a₂，定义拉伸因子为c；

步骤4.3，利用雨滴形成算子公式(4)将步骤4.1中初始化所形成的水 汽进行操作从而形成大雨滴Raindrop^G：

其中，Rain_drop为水汽所形成的大雨滴，G代表的本次所处于的迭代 的代数，Rain_drop^G代表的第G代的大雨滴，k所代表的是每个水汽的维度， k＝9，

代表的是第i个水汽的第一个数值，vapor代表的是水汽；

步骤4.4，利用步骤4.3得到的大雨滴进行雨滴的碰撞操作，得到N个 小雨滴：

Small_Raindrop＝U[R_min(k)-aΔR(k)，R_max(k)+aΔR(k)] (5)

其中，Small_Raindrop为碰撞出来的小雨滴，k为维度；

a＝a₁+a₂*(n-iter)÷n

a₁、a₂为碰撞因子，a₁为大于0的值，a₂为小于0的一个值，n为总的 迭代次数，iter为当前的代数，

R_min(k)＝min(Rain_drop(k)，RP_Intervene(k))

R_max(k)＝max(Rain_drop(k)，RP_Intervene(k))

ΔR(k)＝R_max(k)-R_min(k)

其中，Rain_drop为当前代的大雨滴，Rain_drop(k)为大雨滴中的第k 个值，RP_Intervene为雨滴池中势能最优的雨滴，RP_Intervene(k)为雨滴池 中势能最优的雨滴的第k个值；

步骤4.5，对步骤4.4所碰撞出来的小雨滴进行流动操作，对每一个碰撞 出来的小雨滴都要进行流动，最终得出的新的小雨滴同样也是N个，记为： New_Small_Raindrop，流动算子的公式为公式(6)：

其中：

为新的流动出来的第G 代的N个新的小雨滴中的第i个新的小雨滴；

其中：

d_i＝l₁·rand1_i·d1_i+l₂·rand2_i·d2_i

其中，RP_Intervene为雨滴池中势能最优的雨滴，

为第G 代中雨滴池中势能最优的雨滴的第k个值，Small_Raindrop为用来流动的小 雨滴，

为第G代所有的小雨滴中的第i个小雨滴，l₁、l₂为 流动因子，rand1、rand2为[-1，1]的随机数，d1、d2为流动方向；

小雨滴按照流动方向进行流动到新的位置，把新的位置记录下来，并且 记录此时的流动次数count；

步骤4.6计算步骤4.5流动出来的新的小雨滴New_Small_Raindrop的势 能，如果流动出来的新的小雨滴New_Small_Raindrop的势能优于用来流动 的小雨滴Small_Raindrop，则把此用于流动小雨滴进行存储下来；如果流动 出来的新的小雨滴的势能劣于用来流动的小雨滴，此时则回到步骤4.5继续 进行流动，直到流动次数count的值达到最大流动次数MFN则把最终流动 之后的新的小雨滴存储下来，直到N个小雨滴全部流动完成，并全部存储下 来则进行下一步；

步骤4.7，将经步骤4.6储存下来的所有的小雨滴和本代中用来形成大雨 滴的水汽放在一起进行势能的计算，并按照势能的从优到劣进行排序，然后 取出前N个作为下一次迭代的水汽；

步骤4.8，取包含当前代的前十次的最优势能值，判断最优势能的水汽 更新是否停滞，如果此十代中每次最终所产生的雨滴的最优势能不是唯一的， 则判断为没有停滞，则跳到步骤4.10进行雨滴池的更新操作；如果此十代中 每次最终所产生的雨滴的最优势能没有发生变化，则判断为停滞，则进行跳 到步骤4.9进行雨滴池的拉伸操作；

步骤4.9，雨滴池的拉伸操作是在原来雨滴池中的雨滴的基础上加上一 个值使得此雨滴的势能发生改变，把所有拉伸过的雨滴池进行整体的势能的 计算，最后取具有最优势能的雨滴为干扰之后的雨滴RP_Intervene用到碰撞 和流动的操作中，雨滴池的拉伸算子为公式(7)：

RP_L＝RP+(c*Rand*(RP_min_value-RP_max_value)) (7)

其中，c为拉伸因子：

RP_value为当前要拉伸的雨滴池中的雨滴的势能，RP_min_value为当前雨 滴池中所有雨滴势能中的最小值，RP_max_value为当前雨滴池中所有雨滴势 能中的最大值，P_avg_value为当前雨滴池中所有雨滴势能中的平均值，Rand 为[0，1]内的随机值，RP为当前要拉伸的雨滴池中的雨滴，RP_L为拉伸之后 的雨滴；

步骤4.10雨滴池的更新操作：如果是没有停滞从步骤4.8到的此步骤则 取步骤4.7中排序之后的总的雨滴中的势能最优的第一个雨滴放入雨滴池中， 当雨滴池存满之后，再次进行雨滴池更新的时候将会把雨滴池中势能最差的 雨滴给替换掉；如果是在步骤4.9雨滴池拉伸操作之后跳到的此步骤，则把 步骤4.9中拉伸之后的雨滴当做此时雨滴池中的所有的雨滴，把原来的雨滴 池中的雨滴用拉伸之后的雨滴全部替换掉；当前迭代次数m进行加1操作；

步骤4.11，判断当前迭代次数m是否小于最大迭代次数M，如果小于则 跳转到步骤4.3继续迭代，如果不小于M则进行下一步；

步骤4.12，输出最后一次迭代中雨滴势能最优的雨滴的一组向量，此向 量就代表最终需要的所优化出的参数，包括运动频率p、提高有氧耐力型课 程的分配权重ω₁、减脂瘦身型课程的分配权重ω₂、提高有氧耐力型课程的强 度q_氧和时间t_氧、减脂瘦身型课程的强度q_减和时间t_减、力量强化型课程的强 度q_力和时间t_力共9个参数。

步骤5具体为：

步骤5.1，根据步骤4优化出的九个参数取出提高有氧耐力型课程的强度 q_氧和时间t_氧、减脂瘦身型课程的强度q_减和时间t_减、力量强化型课程的强度 q_力和时间t_力六个参数，按照课程的类型进行两两组合；

步骤5.2，根据优化出来的参数q_氧和t_氧的具体数值，进行数据库中提高 有氧耐力型课程的强度Q_氧和时间T_氧这两个属性的数值进行相似性L计算：

步骤5.3，按照步骤5.2的方式计算出减脂瘦身型的参数和相对应的课程 库中的相似性以及力量强化型的参数和相对应的课程库中的相似性。

步骤6具体为：

步骤6.1根据步骤5计算出来的不同参数对应的不同课程的相似性值进 行分别排序，共三种类型所以有三组相似性值，每类中选择相似性值最高的 对应的课程，共选出三个课程；

步骤6.2根据步骤6.1选出的三个课程以及课程对应的运动强度和运动 时间以及步骤4.12优化出的频率参数最终组合成一个整体的个性化运动课 程计划。

本发明的有益效果是：

本发明根据ARA(人工雨滴算法)的思想，对每个要生成的运动课程中所 包含的参数进行优化，以到达最好的运动效果，同时根据用户的偏好度进行 运动课程的组合，使得用户的运动课程具有多样性，并且拥有更好的体验感 从而提高用户的运动兴趣。

附图说明

图1是本发明一种基于多目标优化算法的运动计划的生成方法的流程图；

图2是本发明一种基于多目标优化算法的运动计划的生成方法中使用人 工雨滴算法的流程图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明一种基于多目标优化算法的运动计划的生成方法，其流程如图1 所示，具体按照如下步骤实施：

步骤1，根据用户数据库中的数据获取所需要的用户属性，并计算运动 量W；具体为：

步骤1.1，根据用户数据库中的数据获取所需要的用户属性，用户属性 为姓名、性别、年龄、身高、体重、所使用运动处方的名称、处方强度、处 方时长、处方频率；

步骤1.2，将步骤1.1获取的用户属性存入新的数据表中，形成新的用户 数据，并使用处方强度Q_处、处方时间T_处、处方频率P_处使用公式(1)进行 运动量W的计算：

W＝Q_处*T_处*P_处 (1)。

步骤2，获取课程库中课程的课程属性，并对课程进行分类；具体为：

步骤2.1，获取课程库中课程的课程属性，课程属性为课程名称、课程 类型、动作个数、卡路里消耗、持续时间、具体动作；

步骤2.2，对课程库中的课程按照课程属性中的课程类型进行分类，分 为提高有氧耐力型、减脂瘦身型、力量强化型三种类型；

步骤2.3，根据获取的课程属性分别计算不同类型课程对应的强度，其 中提高有氧耐力型的强度Q_氧计算公式为：

其中，C_氧为课程的卡路里消耗，T_氧为课程的持续时间；

按照公式(2)代入减脂瘦身型、力量强化型课程的卡路里消耗C_减、C_力以 及持续时间T_减、T_力，分别计算出减脂瘦身型、力量强化型课程的强度Q_减和 Q_力。

步骤3，根据步骤2课程分类结果以及步骤1中的运动量W定义目标函 数maxF(x)以及待优化参数；具体为：

目标函数maxF(x)的公式为：

maxF(x)＝maxf₁(x)+maxf₂(x)+maxf₃(x) (3)

其中，

其中，q_氧为提高有氧耐力型的强度、t_氧为提高有氧耐力型的时间、q_减为 减脂瘦身型的强度、t_减为减脂瘦身型的时间，q_力为力量强化型的强度、t_力为 力量强化型的时间，p为运动频率，α为敏感系数，ω₁、ω₂、ω₃为分配权重 并且ω₁+ω₂+ω₃＝1，q_氧、t_氧、q_减、t_减、q_力、t_力、p、ω₁、ω₂为待优化 参数。

步骤4，采用人工雨滴算法对目标函数maxF(x)进行优化，得到优化后 的参数；其流程如图2所示，具体为：

步骤4.1，初始化水汽

随机生成N组参数组合，参数为步骤3定义的待优化参数，每组参数均 包括运动频率p、提高有氧耐力型课程的分配权重ω₁、减脂瘦身型课程的分 配权重ω₂、提高有氧耐力型课程的强度q_氧和时间t_氧、减脂瘦身型课程的强 度q_减和时间t_减、力量强化型课程的强度q_力和时间t_力共9个参数；

步骤4.2，定义最大迭代次数为M，最大流动次数为MFN，流动因子1 为l₁，流动因子2为l₂，雨滴池的大小为RP_size，碰撞因子1为a₁，碰撞因 子2为a₂，定义拉伸因子为c；

步骤4.3，利用雨滴形成算子公式(4)将步骤4.1中初始化所形成的水 汽进行操作从而形成大雨滴Raindrop^G：

其中，Rain_drop为水汽所形成的大雨滴，G代表的本次所处于的迭代 的代数，Rain_drop^G代表的第G代的大雨滴，k所代表的是每个水汽的维度， k＝9，

代表的是第i个水汽的第一个数值，vapor代表的是水汽；

步骤4.4，利用步骤4.3得到的大雨滴进行雨滴的碰撞操作，得到N个 小雨滴：

Small_Raindrop＝U[R_min(k)-aΔR(k)，R_max(k)+aΔR(k)] (5)

其中，Small_Raindrop为碰撞出来的小雨滴，k为维度；

a＝a₁+a₂*(n-iter)÷n

a₁、a₂为碰撞因子，a₁为大于0的值，a₂为小于0的一个值，n为总的 迭代次数，iter为当前的代数，

R_min(k)＝min(Rain_drop(k)，RP_Intervene(k))

R_max(k)＝max(Rain_drop(k)，RP_Intervene(k))

ΔR(k)＝R_max(k)-R_min(k)

其中，Rain_drop为当前代的大雨滴，Rain_drop(k)为大雨滴中的第k 个值，RP_Intervene为雨滴池中势能最优的雨滴，RP_Intervene(k)为雨滴池 中势能最优的雨滴的第k个值；

步骤4.5，对步骤4.4所碰撞出来的小雨滴进行流动操作，对每一个碰撞 出来的小雨滴都要进行流动，最终得出的新的小雨滴同样也是N个，记为： New_Small_Raindrop，流动算子的公式为公式(6)：

其中：

为新的流动出来的第G 代的N个新的小雨滴中的第i个新的小雨滴；

其中：

d_i＝l₁·rand1_i·d1_i+l₂·rand2_i·d2_i

其中，RP_Intervene为雨滴池中势能最优的雨滴，

为第G 代中雨滴池中势能最优的雨滴的第k个值，Small_Raindrop为用来流动的小 雨滴，

为第G代所有的小雨滴中的第i个小雨滴，l₁、l₂为 流动因子，rand1、rand2为[-1，1]的随机数，d1、d2为流动方向；

小雨滴按照流动方向进行流动到新的位置，把新的位置记录下来，并且 记录此时的流动次数count；

步骤4.6计算步骤4.5流动出来的新的小雨滴New_Small_Raindrop的势 能，如果流动出来的新的小雨滴New_Small_Raindrop的势能优于用来流动 的小雨滴Small_Raindrop，则把此用于流动小雨滴进行存储下来；如果流动 出来的新的小雨滴的势能劣于用来流动的小雨滴，此时则回到步骤4.5继续 进行流动，直到流动次数count的值达到最大流动次数MFN则把最终流动 之后的新的小雨滴存储下来，直到N个小雨滴全部流动完成，并全部存储下 来则进行下一步；

步骤4.7，将经步骤4.6储存下来的所有的小雨滴和本代中用来形成大雨 滴的水汽放在一起进行势能的计算，并按照势能的从优到劣进行排序，然后 取出前N个作为下一次迭代的水汽；

步骤4.8，取包含当前代的前十次的最优势能值，判断最优势能的水汽 更新是否停滞，如果此十代中每次最终所产生的雨滴的最优势能不是唯一的， 则判断为没有停滞，则跳到步骤4.10进行雨滴池的更新操作；如果此十代中 每次最终所产生的雨滴的最优势能没有发生变化，则判断为停滞，则进行跳 到步骤4.9进行雨滴池的拉伸操作；

步骤4.9，雨滴池的拉伸操作是在原来雨滴池中的雨滴的基础上加上一 个值使得此雨滴的势能发生改变，把所有拉伸过的雨滴池进行整体的势能的 计算，最后取具有最优势能的雨滴为干扰之后的雨滴RP_Intervene用到碰撞 和流动的操作中，雨滴池的拉伸算子为公式(7)：

RP_L＝RP+(c*Rand*(RP_min_value-RP_max_value)) (7)

其中，c为拉伸因子：

RP_value为当前要拉伸的雨滴池中的雨滴的势能，RP_min_value为当前雨 滴池中所有雨滴势能中的最小值，RP_max_value为当前雨滴池中所有雨滴势 能中的最大值，P_avg_value为当前雨滴池中所有雨滴势能中的平均值，Rand 为[0，1]内的随机值，RP为当前要拉伸的雨滴池中的雨滴，RP_L为拉伸之后 的雨滴；

步骤4.10雨滴池的更新操作：如果是没有停滞从步骤4.8到的此步骤则 取步骤4.7中排序之后的总的雨滴中的势能最优的第一个雨滴放入雨滴池中， 当雨滴池存满之后，再次进行雨滴池更新的时候将会把雨滴池中势能最差的 雨滴给替换掉；如果是在步骤4.9雨滴池拉伸操作之后跳到的此步骤，则把 步骤4.9中拉伸之后的雨滴当做此时雨滴池中的所有的雨滴，把原来的雨滴 池中的雨滴用拉伸之后的雨滴全部替换掉；当前迭代次数m进行加1操作；

步骤4.11，判断当前迭代次数m是否小于最大迭代次数M，如果小于则 跳转到步骤4.3继续迭代，如果不小于M则进行下一步；

步骤4.12，输出最后一次迭代中雨滴势能最优的雨滴的一组向量，此向 量就代表最终需要的所优化出的参数，包括运动频率p、提高有氧耐力型课 程的分配权重ω₁、减脂瘦身型课程的分配权重ω₂、提高有氧耐力型课程的强 度q_氧和时间t_氧、减脂瘦身型课程的强度q_减和时间t_减、力量强化型课程的强 度q_力和时间t_力共9个参数。

步骤5，计算优化出的参数对应每类课程库中课程对应参数的相似性；具 体为：

步骤5.1，根据步骤4优化出的九个参数取出提高有氧耐力型课程的强度 q_氧和时间t_氧、减脂瘦身型课程的强度q_减和时间t_减、力量强化型课程的强度 q_力和时间t_力六个参数，按照课程的类型进行两两组合；

步骤5.2，根据优化出来的参数q_氧和t_氧的具体数值，进行数据库中提高 有氧耐力型课程的强度Q_氧和时间T_氧这两个属性的数值进行相似性L计算：

步骤5.3，按照步骤5.2的方式计算出减脂瘦身型的参数和相对应的课程 库中的相似性以及力量强化型的参数和相对应的课程库中的相似性。

步骤6，将步骤5计算出的每类中的相似性最高的课程进行组合，生成最 终的个性化运动课程计划；具体为：

步骤6.1根据步骤5计算出来的不同参数对应的不同课程的相似性值进 行分别排序，共三种类型所以有三组相似性值，每类中选择相似性值最高的 对应的课程，共选出三个课程；

步骤6.2根据步骤6.1选出的三个课程以及课程对应的运动强度和运动 时间以及步骤4.12优化出的频率参数最终组合成一个整体的个性化运动课 程计划。

本发明根据每个人的不同的个人信息尤其是个人的运动处方的信息，通 过多目标优化的算法进行运动课程计划参数的优化，从而达到和运动处方极 大近似相同的运动效果。而且在此基础上又增加了运动的多样性以及趣味性， 在有效性方面可以达到和之前的个人的运动处方一样的效果。

Claims (7)

1.一种基于多目标优化算法的运动计划的生成方法，其特征在于，具体按照如下步骤实施：

步骤1，根据用户数据库中的数据获取所需要的用户属性，并计算运动量W；

步骤2，获取课程库中课程的课程属性，并对课程进行分类；

步骤3，根据步骤2课程分类结果以及步骤1中的运动量W定义目标函数maxF(x)以及待优化参数；

步骤4，采用人工雨滴算法对目标函数maxF(x)进行优化，得到优化后的参数；

步骤5，计算优化出的参数对应每类课程库中课程对应参数的相似性；

步骤6，将步骤5计算出的每类中的相似性最高的课程进行组合，生成最终的个性化运动课程计划。

2.根据权利要求1所述的一种基于多目标优化算法的运动计划的生成方法，其特征在于，所述步骤1具体为：

步骤1.1，根据用户数据库中的数据获取所需要的用户属性，所述用户属性为姓名、性别、年龄、身高、体重、所使用运动处方的名称、处方强度、处方时长、处方频率；

步骤1.2，将步骤1.1获取的用户属性存入新的数据表中，形成新的用户数据，并使用处方强度Q_处、处方时间T_处、处方频率P_处使用公式(1)进行运动量W的计算：

W＝Q_处*T_处*P_处 (1)。

3.根据权利要求2所述的一种基于多目标优化算法的运动计划的生成方法，其特征在于，所述步骤2具体为：

步骤2.1，获取课程库中课程的课程属性，所述课程属性为课程名称、课程类型、动作个数、卡路里消耗、持续时间、具体动作；

步骤2.2，对课程库中的课程按照课程属性中的课程类型进行分类，分为提高有氧耐力型、减脂瘦身型、力量强化型三种类型；

步骤2.3，根据获取的课程属性分别计算不同类型课程对应的强度，其中提高有氧耐力型的强度Q_氧计算公式为：

其中，C_氧为课程的卡路里消耗，T_氧为课程的持续时间；

按照公式(2)代入减脂瘦身型、力量强化型课程的卡路里消耗C_减、C_力以及持续时间T_减、T_力，分别计算出减脂瘦身型、力量强化型课程的强度Q_减和Q_力。

4.根据权利要求1所述的一种基于多目标优化算法的运动计划的生成方法，其特征在于，所述步骤3具体为：

所述目标函数maxF(x)的公式为：

maxF(x)＝maxf₁(x)+maxf₂(x)+maxf₃(x) (3)

其中，

其中，q_氧为提高有氧耐力型的强度、t_氧为提高有氧耐力型的时间、q_减为减脂瘦身型的强度、t_减为减脂瘦身型的时间，q_力为力量强化型的强度、t_力为力量强化型的时间，p为运动频率，α为敏感系数，ω₁、ω₂、ω₃为分配权重并且ω₁+ω₂+ω₃＝1，q_氧、t_氧、q_减、t_减、q_力、t_力、p、ω₁、ω₂为待优化参数。

5.根据权利要求4所述的一种基于多目标优化算法的运动计划的生成方法，其特征在于，所述步骤4具体为：

步骤4.1，初始化水汽

随机生成N组参数组合，所述参数为步骤3定义的待优化参数，每组参数均包括运动频率p、提高有氧耐力型课程的分配权重ω₁、减脂瘦身型课程的分配权重ω₂、提高有氧耐力型课程的强度q_氧和时间t_氧、减脂瘦身型课程的强度q_减和时间t_减、力量强化型课程的强度q_力和时间t_力共9个参数；

步骤4.2，定义最大迭代次数为M，最大流动次数为MFN，流动因子1为l₁，流动因子2为l₂，雨滴池的大小为RP_size，碰撞因子1为a₁，碰撞因子2为a₂，定义拉伸因子为c；

步骤4.3，利用雨滴形成算子公式(4)将步骤4.1中初始化所形成的水汽进行操作从而形成大雨滴Raindrop^G：

其中，Rain_drop为水汽所形成的大雨滴，G代表的本次所处于的迭代的代数，Rain_drop^G代表的第G代的大雨滴，k所代表的是每个水汽的维度，k＝9，

代表的是第i个水汽的第一个数值，vapor代表的是水汽；

步骤4.4，利用步骤4.3得到的大雨滴进行雨滴的碰撞操作，得到N个小雨滴：

Small_Raindrop＝U[R_min(k)-aΔR(k)，R_max(k)+aΔR(k)] (5)

其中，Small_Raindrop为碰撞出来的小雨滴，k为维度；

a＝a₁+a₂*(n-iter)÷n

a₁、a₂为碰撞因子，a₁为大于0的值，a₂为小于0的一个值，n为总的迭代次数，iter为当前的代数，

R_min(k)＝min(Rain_drop(k)，RP_Intervene(k))

R_rnax(k)＝max(Rain_drop(k)，RP_Intervene(k))

ΔR(k)＝R_max(k)-R_min(k)

其中，Rain_drop为当前代的大雨滴，Rain_drop(k)为大雨滴中的第k个值，RP_Intervene为雨滴池中势能最优的雨滴，RP_Intervene(k)为雨滴池中势能最优的雨滴的第k个值；

步骤4.5，对步骤4.4所碰撞出来的小雨滴进行流动操作，对每一个碰撞出来的小雨滴都要进行流动，最终得出的新的小雨滴同样也是N个，记为：New_Small_Raindrop，流动算子的公式为公式(6)：

其中：

为新的流动出来的第G代的N个新的小雨滴中的第i个新的小雨滴；

其中：

d_i＝l₁·rand1_i·d1_i+l₂·rand2_i·d2_i

其中，RP_Intervene为雨滴池中势能最优的雨滴，

为第G代中雨滴池中势能最优的雨滴的第k个值，Small_Raindrop为用来流动的小雨滴，

为第G代所有的小雨滴中的第i个小雨滴，l₁、l₂为流动因子，rand1、rand2为[-1，1]的随机数，d1、d2为流动方向；

小雨滴按照流动方向进行流动到新的位置，把新的位置记录下来，并且记录此时的流动次数count；

步骤4.6计算步骤4.5流动出来的新的小雨滴New_Small_Raindrop的势能，如果流动出来的新的小雨滴New_Small_Raindrop的势能优于用来流动的小雨滴Small_Raindrop，则把此用于流动小雨滴进行存储下来；如果流动出来的新的小雨滴的势能劣于用来流动的小雨滴，此时则回到步骤4.5继续进行流动，直到流动次数count的值达到最大流动次数MFN则把最终流动之后的新的小雨滴存储下来，直到N个小雨滴全部流动完成，并全部存储下来则进行下一步；

步骤4.7，将经步骤4.6储存下来的所有的小雨滴和本代中用来形成大雨滴的水汽放在一起进行势能的计算，并按照势能的从优到劣进行排序，然后取出前N个作为下一次迭代的水汽；

步骤4.8，取包含当前代的前十次的最优势能值，判断最优势能的水汽更新是否停滞，如果此十代中每次最终所产生的雨滴的最优势能不是唯一的，则判断为没有停滞，则跳到步骤4.10进行雨滴池的更新操作；如果此十代中每次最终所产生的雨滴的最优势能没有发生变化，则判断为停滞，则进行跳到步骤4.9进行雨滴池的拉伸操作；

步骤4.9，雨滴池的拉伸操作是在原来雨滴池中的雨滴的基础上加上一个值使得此雨滴的势能发生改变，把所有拉伸过的雨滴池进行整体的势能的计算，最后取具有最优势能的雨滴为干扰之后的雨滴RP_Intervene用到碰撞和流动的操作中，雨滴池的拉伸算子为公式(7)：

RP_L＝RP+(c*Rand*(RP_min_value-RP_max_value)) (7)

其中，c为拉伸因子：

RP_value为当前要拉伸的雨滴池中的雨滴的势能，RP_min_value为当前雨滴池中所有雨滴势能中的最小值，RP_max_value为当前雨滴池中所有雨滴势能中的最大值，P_avg_value为当前雨滴池中所有雨滴势能中的平均值，Rand为[0，1]内的随机值，RP为当前要拉伸的雨滴池中的雨滴，RP_L为拉伸之后的雨滴；

步骤4.10雨滴池的更新操作：如果是没有停滞从步骤4.8到的此步骤则取步骤4.7中排序之后的总的雨滴中的势能最优的第一个雨滴放入雨滴池中，当雨滴池存满之后，再次进行雨滴池更新的时候将会把雨滴池中势能最差的雨滴给替换掉；如果是在步骤4.9雨滴池拉伸操作之后跳到的此步骤，则把步骤4.9中拉伸之后的雨滴当做此时雨滴池中的所有的雨滴，把原来的雨滴池中的雨滴用拉伸之后的雨滴全部替换掉；当前迭代次数m进行加1操作；

步骤4.11，判断当前迭代次数m是否小于最大迭代次数M，如果小于则跳转到步骤4.3继续迭代，如果不小于M则进行下一步；

步骤4.12，输出最后一次迭代中雨滴势能最优的雨滴的一组向量，此向量就代表最终需要的所优化出的参数，包括运动频率p、提高有氧耐力型课程的分配权重ω₁、减脂瘦身型课程的分配权重ω₂、提高有氧耐力型课程的强度q_氧和时间t_氧、减脂瘦身型课程的强度q_减和时间t_减、力量强化型课程的强度q_力和时间t_力共9个参数。

6.根据权利要求5所述的一种基于多目标优化算法的运动计划的生成方法，其特征在于，所述步骤5具体为：

步骤5.1，根据步骤4优化出的九个参数取出提高有氧耐力型课程的强度q_氧和时间t_氧、减脂瘦身型课程的强度q_减和时间t_减、力量强化型课程的强度q_力和时间t_力六个参数，按照课程的类型进行两两组合；

步骤5.2，根据优化出来的参数q_氧和t_氧的具体数值，进行数据库中提高有氧耐力型课程的强度Q_氧和时间T_氧这两个属性的数值进行相似性L计算：

步骤5.3，按照步骤5.2的方式计算出减脂瘦身型的参数和相对应的课程库中的相似性以及力量强化型的参数和相对应的课程库中的相似性。

7.根据权利要求6所述的一种基于多目标优化算法的运动计划的生成方法，其特征在于，所述步骤6具体为：

步骤6.1根据步骤5计算出来的不同参数对应的不同课程的相似性值进行分别排序，共三种类型所以有三组相似性值，每类中选择相似性值最高的对应的课程，共选出三个课程；

步骤6.2根据步骤6.1选出的三个课程以及课程对应的运动强度和运动时间以及步骤4.12优化出的频率参数最终组合成一个整体的个性化运动课程计划。

Images