CN116261242B - 一种基于自适应模拟退火遗传算法的光照强度控制方法 - Google Patents
一种基于自适应模拟退火遗传算法的光照强度控制方法 Download PDFInfo
- Publication number
- CN116261242B CN116261242B CN202310102756.6A CN202310102756A CN116261242B CN 116261242 B CN116261242 B CN 116261242B CN 202310102756 A CN202310102756 A CN 202310102756A CN 116261242 B CN116261242 B CN 116261242B
- Authority
- CN
- China
- Prior art keywords
- illumination intensity
- value
- genetic algorithm
- intensity value
- solution
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000005286 illumination Methods 0.000 title claims abstract description 88
- 230000002068 genetic effect Effects 0.000 title claims abstract description 26
- 238000002922 simulated annealing Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 title claims abstract description 18
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 238000000137 annealing Methods 0.000 claims description 7
- 238000001816 cooling Methods 0.000 claims description 7
- 230000035772 mutation Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
- H05B47/00—Circuit arrangements for operating light sources in general, i.e. where the type of light source is not relevant
- H05B47/10—Controlling the light source
- H05B47/105—Controlling the light source in response to determined parameters
- H05B47/11—Controlling the light source in response to determined parameters by determining the brightness or colour temperature of ambient light
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
- H05B47/00—Circuit arrangements for operating light sources in general, i.e. where the type of light source is not relevant
- H05B47/10—Controlling the light source
- H05B47/105—Controlling the light source in response to determined parameters
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B20/00—Energy efficient lighting technologies, e.g. halogen lamps or gas discharge lamps
- Y02B20/40—Control techniques providing energy savings, e.g. smart controller or presence detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Genetics & Genomics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Circuit Arrangement For Electric Light Sources In General (AREA)
Abstract
本发明涉及照明控制技术领域,尤其涉及一种基于自适应模拟退火遗传算法的光照强度控制方法,包括以下步骤:S1、确定变量目标函数和约束条件,其中变量目标函数为室内所需的光照强度值;约束条件为室内自然光照强度值加灯管光照强度值等于室内所需的光照强度值;S2、根据采集的室内自然光照强度和初始温度,利用遗传算法寻找适应度最佳的个体;S3、根据适应度最佳的个体,利用模拟退火遗传算法判断是否为最优光照强度值,如果是,则输出该最优光照强度值,如果不是,则返回步骤S2。本发明能够精准寻找到最合适的光照强度,与自然环境光照强度互补,达到满足需要的最佳光照强度的同时,也能够最大限度的节约资源。
Description
技术领域
本发明涉及照明控制技术领域,尤其涉及一种基于自适应模拟退火遗传算法的光照强度控制方法。
背景技术
在室内照明中,传统的照明控制方式主要是根据开关单一控制或者是多档调节控制,其存在问题如下:(1)根据开关单一控制灯管的光照强度,也就是该灯管所发出的光照强度为固定的光照强度,不能够精确的将光照强度设置为自己所需的光照强度范围内,无法满足该地所需的光照强度的同时,也产生了资源浪费的问题。(2)现存在多档调节控制方式只能节约一些能源消耗问题,但依旧不能够有效的利用自然环境的光照强度。
发明内容
本发明的目的在于提出一种基于自适应模拟退火遗传算法的光照强度控制方法,能够精准寻找到最合适的光照强度,与自然环境光照强度互补,达到满足需要的最佳光照强度的同时,也能够最大限度的节约资源。
为达此目的,本发明采用以下技术方案:
一种基于自适应模拟退火遗传算法的光照强度控制方法,包括以下步骤:
S1、确定变量目标函数和约束条件,其中变量目标函数为室内所需的光照强度值;约束条件为室内自然光照强度值加灯管光照强度值等于室内所需的光照强度值;
S2、根据采集的室内自然光照强度和初始温度,利用遗传算法寻找适应度最佳的个体;
S21、初始化遗传算法的控制参数,包括种群规模N、最大化迭代次数Mmax、初始光照强度T0和光照强度衰减系数k;
S22、根据约束条件,随机产生初始种群,对初始种群内个体进行选择、交叉和变异的操作,计算初始种群内个体的适应度,产生适应度最佳的个体;
S3、根据适应度最佳的个体,利用模拟退火遗传算法判断是否为最优光照强度值,如果是,则输出该最优光照强度值,如果不是,则返回步骤S2。
优选的,在S22中,所述交叉和变异操作均采用自适应调整公式:
式中:Pm为交叉概率;Pc为变异概率;fmax,fmin,fave分别为适应度函数的最大值、最小值、平均值;δ为适应度函数值宽度预计值;Pc1、Pc2分别为设定交叉概率的最大值、最小值;Pm1、Pm2分别为设定变异概率的最大值、最小值。
优选的,所述S3具体包括以下步骤:
S31、基于公式(3)和(4)进行模拟退火操作:在初始解附近随机拓展邻域以产生新解,即:
式中:Ti为当前退火进行的初始光照强度;Y'为新解;Y为当前解;Ymax、Ymin分别为Y所在种群内的最大解和最小解;ξ和τ为[0,1]内均匀分布的随机数;ξ1和ξ2为在[0,0.1]内均匀分布的随机数;
S32、将新解Y′产生的值f(Y′)和当前的解Y产生的值f(Y)进行比较,使用Metropolis准则判断是否接受新解:若新解的值f(Y′)更好时,则接受新解为当前解;若新解Y′产生的值f(Y′)不如当前的解Y产生的值f(Y),则以公式(5)中的概率P判断是否接受新解;
如果接受,则进行替换,如果不接受,以概率P接受新个体,舍弃旧个体;
S33、判断迭代次数Gen是否达到最大迭代次数Mmax,如果Gen<Mmax,则Gen=Gen+1,如果Gen>Mmax,则执行S34;
S34、判断产生的新解是否为最优光照强度值,如果是,则输出该最优光照强度值,如果不是,则执行降温操作后,再返回执行步骤S2。
优选的,在S34中,所述降温操作为采用指数退火方式进行降温操作,即:
Ti=T0ki-1 (6)
式中:Ti为当前退火进行的初始光照强度;k为衰减系数;T0为初始光照强度。
上述技术方案中的一个技术方案具有以下有益效果:能够通过自然环境的光照强度和该场地所需的光照强度值等相关已知条件,利用自适应模拟退火遗传优化算法得到该场地的最佳光照强度的同时,也能够最大化的节约能源,使其更加的科学化。
附图说明
图1是本发明在一种基于自适应模拟退火遗传算法的光照强度控制方法的流程示意图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
如图1所示,一种基于自适应模拟退火遗传算法的光照强度控制方法,包括以下步骤:
S1、确定变量目标函数和约束条件,其中变量目标函数为室内所需的光照强度值;约束条件为室内自然光照强度值加灯管光照强度值等于室内所需的光照强度值;
S2、根据采集的室内自然光照强度和初始温度,利用遗传算法寻找适应度最佳的个体;
S21、初始化遗传算法的控制参数,包括种群规模N、最大化迭代次数Mmax、初始光照强度T0和光照强度衰减系数k;
S22、根据约束条件,随机产生初始种群,对初始种群内个体进行选择、交叉和变异的操作,计算初始种群内个体的适应度,产生适应度最佳的个体;
S3、根据适应度最佳的个体,利用模拟退火遗传算法判断是否为最优光照强度值,如果是,则输出该最优光照强度值,如果不是,则返回步骤S2。
综上,本申请是基于自适应模拟退火遗传算法技术对传统的照明控制方法的改良,因为模拟退火算法(SA)来源对固体退火降温的模拟,且模拟退火算法(SA)在优化过程中具有概率突跳的能力,能够避免陷入局部最优解。
本申请能够通过自然环境的光照强度和该场地所需的光照强度值等相关已知条件,利用自适应模拟退火遗传优化算法得到该场地的最佳光照强度的同时,也能够最大化的节约能源,使其更加的科学化。
更进一步的说明,在S22中,所述交叉和变异操作均采用自适应调整公式:
式中:Pm为交叉概率;Pc为变异概率;fmax,fmin,fave分别为适应度函数的最大值、最小值、平均值;δ为适应度函数值宽度预计值;Pc1、Pc2分别为设定交叉概率的最大值、最小值;Pm1、Pm2分别为设定变异概率的最大值、最小值。
由于交叉概率Pm与变异概率Pc对遗传算法性能有很大的影响,直接影响算法收敛性和全局搜索能力。因此在优化前期,需要对全局有较强的搜索能力,以减小局部的影响,此时就需要较大的Pm值与较小的Pc值,以保证搜索初期的全局性。进入优化后期,则需要较小的Pm值与较大的Pc值,以保证新个体的产生。因此,传统的交叉和变异操作就无法实现上述所需的某些功能,须采用自适应的方法,使Pm值与Pc值能够与适应度函数的大小而发生改变。
更进一步的说明,所述S3具体包括以下步骤:
S31、基于公式(3)和(4)进行模拟退火操作:在初始解附近随机拓展邻域以产生新解,即:
式中:Ti为当前退火进行的初始光照强度;Y'为新解;Y为当前解;Ymax、Ymin分别为Y所在种群内的最大解和最小解;ξ和τ为[0,1]内均匀分布的随机数;ξ1和ξ2为在[0,0.1]内均匀分布的随机数;
为了加快整个退火遗传的进度并且提高解的质量,S31采用一种新的在初始解附近随机拓展邻域以产生新解的机制,并通过比较由遗传算法(GA)得出的当前解Y与种群内Ymax,Ymin判断新解产生的方向,对于扰动函数即公式(1)和(2),设置一个随机值,使其能够根据当前光照强度随机地在当前解Y附近拓展领域,搜素是否存在更优解;
S32、将新解Y′产生的值f(Y′)和当前的解Y产生的值f(Y)进行比较,使用Metropolis准则判断是否接受新解:若新解的值f(Y′)更好时,则接受新解为当前解;若新解Y′产生的值f(Y′)不如当前的解Y产生的值f(Y),则以公式(5)中的概率P判断是否接受新解;
如果接受,则进行替换,如果不接受,以概率P接受新个体,舍弃旧个体;
S32可以使模拟退火算法(SA)通过一定概率P接受劣质解,以此避免陷入局部最优。模拟退火算法(SA)通过这种“产生新解→判断→是否接受”的不断迭代使其找到该温度下的最优解;
S33、判断迭代次数Gen是否达到最大迭代次数Mmax,如果Gen<Mmax,则Gen=Gen+1,如果Gen>Mmax,则执行S34;
S34、判断产生的新解是否为最优光照强度值,如果满足,则输出该最优光照强度值,如果不满足,则执行降温操作后,再返回执行步骤S2。
更进一步的说明,在S34中,所述降温操作为采用指数退火方式进行降温操作,即:
Ti=T0ki-1 (6)
式中:Ti为当前退火进行的初始光照强度;k为衰减系数;T0为初始光照强度。
以上结合具体实施例描述了本发明的技术原理。这些描述只是为了解释本发明的原理,而不能以任何方式解释为对本发明保护范围的限制。基于此处的解释,本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式,这些等同的变型或替换均包含在本申请权利要求所限定的范围内。
Claims (2)
1.一种基于自适应模拟退火遗传算法的光照强度控制方法,其特征在于,包括以下步骤:
S1、确定变量目标函数和约束条件,其中变量目标函数为室内所需的光照强度值;约束条件为室内自然光照强度值加灯管光照强度值等于室内所需的光照强度值;
S2、根据采集的室内自然光照强度和初始温度,利用遗传算法寻找适应度最佳的个体;
S21、初始化遗传算法的控制参数,包括种群规模N、最大化迭代次数、初始光照强度/>和光照强度衰减系数/>;
S22、根据约束条件,随机产生初始种群,对初始种群内个体进行选择、交叉和变异的操作,计算初始种群内个体的适应度,产生适应度最佳的个体;
在S22 中,所述交叉和变异操作均采用自适应调整公式:
;
;
式中:为交叉概率;/>为变异概率;/>,/>,/>分别为适应度函数的最大值、最小值、平均值;/>为适应度函数值宽度预计值;/>、/>分别为设定交叉概率的最大值、最小值;/>、/>分别为设定变异概率的最大值、最小值;
S3、根据适应度最佳的个体,利用模拟退火遗传算法判断是否为最优光照强度值,如果是,则输出该最优光照强度值,如果不是,则返回步骤S2;
所述S3具体包括以下步骤:
S31、基于公式(3)和(4)进行模拟退火操作:在初始解附近随机拓展邻域以产生新解,即:
;
;
式中:为当前退火进行的初始光照强度;/>为新解;/>为当前解;/>、分别为/>所在种群内的最大解和最小解;/>和/>为[0,1]内均匀分布的随机数;和为/>在 [0,0.1]内均匀分布的随机数;
S32、将新解产生的值/>和当前的解/>产生的值/>进行比较,使用Metropolis准则判断是否接受新解:若新解的值/>更好时,则接受新解为当前解;若新解/>产生的值/>不如当前的解/>产生的值/>,则以公式(5)中的概率/>判断是否接受新解;
如果接受,则进行替换,如果不接受,以概率接受新个体,舍弃旧个体;
;
S33、判断迭代次数是否达到最大迭代次数/>,如果/></>,则/>=/>+1,如果/>>/>,则执行S34;
S34、判断产生的新解是否为最优光照强度值,如果是,则输出该最优光照强度值,如果不是,则执行降温操作后,再返回执行步骤S2。
2.根据权利要求1所述的一种基于自适应模拟退火遗传算法的光照强度控制方法,其特征在于,在S34中,所述降温操作为采用指数退火方式进行降温操作,即:
;
式中:为当前退火进行的初始光照强度;/>为衰减系数;/>为初始光照强度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310102756.6A CN116261242B (zh) | 2023-02-08 | 2023-02-08 | 一种基于自适应模拟退火遗传算法的光照强度控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310102756.6A CN116261242B (zh) | 2023-02-08 | 2023-02-08 | 一种基于自适应模拟退火遗传算法的光照强度控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116261242A CN116261242A (zh) | 2023-06-13 |
CN116261242B true CN116261242B (zh) | 2024-02-13 |
Family
ID=86682059
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310102756.6A Active CN116261242B (zh) | 2023-02-08 | 2023-02-08 | 一种基于自适应模拟退火遗传算法的光照强度控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116261242B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108365891A (zh) * | 2018-02-09 | 2018-08-03 | 重庆邮电大学 | 一种室内可见光通信系统下行覆盖均匀性优化方法 |
CN109661059A (zh) * | 2018-11-27 | 2019-04-19 | 温州大学 | 一种led调光调色方法及系统 |
-
2023
- 2023-02-08 CN CN202310102756.6A patent/CN116261242B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108365891A (zh) * | 2018-02-09 | 2018-08-03 | 重庆邮电大学 | 一种室内可见光通信系统下行覆盖均匀性优化方法 |
CN109661059A (zh) * | 2018-11-27 | 2019-04-19 | 温州大学 | 一种led调光调色方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116261242A (zh) | 2023-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108596212B (zh) | 基于改进布谷鸟搜索优化神经网络的变压器故障诊断方法 | |
CN110222830B (zh) | 一种基于自适应遗传算法优化的深度前馈网络故障诊断方法 | |
CN110838590B (zh) | 一种质子交换膜燃料电池气体供应控制系统及方法 | |
CN109582985A (zh) | 一种改进的遗传退火的片上网络映射方法 | |
CN108985438A (zh) | 一种基于邻域拓扑的布谷鸟搜索算法 | |
CN116261242B (zh) | 一种基于自适应模拟退火遗传算法的光照强度控制方法 | |
CN107682117A (zh) | 一种基于改进鸡群优化算法的短码长lt码度分布的设计方法 | |
CN111314960B (zh) | 一种雾无线接入网中基于社交意识的协同缓存方法 | |
CN111355633A (zh) | 一种基于pso-delm算法的比赛场馆内手机上网流量预测方法 | |
CN106874555A (zh) | 一种Reed‑Muller逻辑电路功耗和面积优化方法 | |
CN108615069A (zh) | 一种基于改进的具有适应性的量子粒子群算法的优化计算方法 | |
CN106919504B (zh) | 一种基于ga算法的测试数据进化生成方法 | |
CN108896330B (zh) | 一种水电机组的故障诊断方法 | |
CN107292381A (zh) | 一种用于单目标优化的混合生物共生搜索的方法 | |
CN112131089B (zh) | 软件缺陷预测的方法、分类器、计算机设备及存储介质 | |
CN113095477A (zh) | 基于de-bp神经网络的风电功率预测方法 | |
Li et al. | Differential evolution with dynamic constraint-handling mechanism | |
CN104200073A (zh) | 一种基于局部Lipschitz估计的自适应群体全局优化方法 | |
CN110598833A (zh) | 一种分组进化的高维粒子群寻优方法 | |
CN115906352A (zh) | 一种基于粒子群算法的维度自适应灯具布置方法 | |
CN114462321A (zh) | 基于锅炉燃烧特性的神经网络预测方法 | |
Li et al. | GKFCR: An Improved Clustering Routing Algorithm for Wireless Sensor Networks | |
Xu et al. | Application of hybrid genetic algorithm based on simulated annealing in function optimization | |
CN112949859A (zh) | 一种改进的遗传聚类算法 | |
CN105426960A (zh) | 基于bp神经网络与mbfo算法的铝电解节能减排控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |