ACO-BP模型在某实验室热舒适预测中的研究

赵敏华 闫婷 苏蕤

西安建筑科技大学信息与控制工程学院

ACO-BP模型在某实验室热舒适预测中的研究

赵敏华 闫婷 苏蕤

西安建筑科技大学信息与控制工程学院

以热舒适指标PMV作为空调控制系统的控制目标，能够很大程度上实现舒适与节能的统一。基于此研究了一种蚁群神经网络预测分类模型，并给出了详细的设计步骤和部分Matlab设计代码，最后采用某大学实验室数据库中的夏天数据集进行了验证。结果表明，采用蚁群算法对BP神经网络进行整定后，不仅克服了BP算法容易陷入局部最优的缺点，也加快了蚂蚁的收敛速度，提高了热舒适预测分类的准确性。

热舒适性 蚁群算法 BP 神经网络 预测分类

0 引言

现代办公建筑中人们持续工作的时间较长，房间的热舒适性与室内空气品质直接影响室内人员的工作效率和身心健康。研究表明，室内良好舒适的环境可以使人精神愉快、提高工作效率，适宜的热环境可提高生产率18%，因此，追求舒适性逐渐成了空调系统新的趋势。1984年国际标准化组织（ISO）提出了室内热环境评价与测量的标准化方法，用PMV和PPD（预测不满意百分数）指标来描述和评价热环境。该指标综合考虑热舒适环境的影响因素，反映了对同一环境绝大多数人的舒适感觉。采用PMV指标作为被控参数对空调系统加以控制，既节省能源、又能够保证舒适性的要求[1]。

反向神经网络（Back-Propagation network，简称BP网络）是对非线性可微分函数进行权值训练的多层前向网络，主要应用在函数逼近、模式识别、分类和数据压缩这几个方面[2]。本文采用MatlabR2010a建立BP模型对实验室热舒适性进行研究。但由于神经网络在预测热舒适指标时存在训练时间长、训练结果存在随机性和容易陷入局部极小点等缺点，使得神经网络在应用中受到了一定的限制。蚁群优化算法（Ant Colony，ACO）作为一种全局寻优能力较强的智能计算方法近年来受到广泛的关注，本文将ACO与BP算法相融合共同完成神经网络训练，建立起一种基于ACO-BP模型的实验室热舒适性模型，最后通过实例验证了模型的可行性。

1 数据的获取与预处理

丹麦工业大学P.O Fanger教授提出的一种综合性热舒适指标——PMV，综合考虑了影响人体热舒适的六大因素。热舒适条件应满足关系[3]：-0.5

表1 根据PMV-PPD分度值对PMV值范围分类表

本文数据来自西安建筑科技大学“智能建筑环境技术平台”热舒适指标数据库中的夏天数据集，该数据集包含三种不同类别的PMV值范围共200个样本数据，每个样本均由空气温度、平均辐射温度、相对湿度、空气流动速度、人体新陈代谢率和服装热阻共6个特征值组成，所有值均已知。因此构建的模型包括6个输入，设人体对外所做机械功为0，表示在静坐状态下。200个样本根据PMV值范围共分为三类，第一类62个，第二类83个，第三类55个，根据表1令模型输出1、2、3分别表示三类PMV值范围，其中2表示舒适。从三类PMV值中共取100个样本数据作为训练样本，剩余100个作为测试样本。表2和表3是部分输入和输出样本数据。

表2 训练样本的部分输入值

表3 训练样本的部分输出值

2 ACO-BP模型的建立

神经网络的泛化能力是由网络拓扑结构和权值共同决定的。神经网络的拓扑结构设计与待求解问题的具体形式有很大关系，本文重点讨论当网络结构确定以后，神经网络的权值训练方法问题。

2.1 基本思想

针对BP算法容易陷入局部极小的不足，本文提出了ACO-BP神经网络训练方法。神经网络训练过程可看作一个最优化问题，即找到一组最优的实数权值组合，使得在此权值下输出结果与期望结果之间的误差最小，蚁群算法成为寻找这一最优权值组合的较好选择。

ACO-BP方法首先利用ACO的全局寻优能力为BP提供σ（σ≥1）组较优的初始权值组合，以克服BP算法容易陷入局部最优、对初值设置较敏感的缺点；再利用BP算法梯度下降的原理进一步“细调”权值，寻找真正的全局最优点，以克服由于对定义域进行分割带来的量化误差和单一蚁群算法训练网络耗费时间过长的不足。

在应用ACO前先将所有权值的定义域均匀地划分成若干子区域，每个子域边界的点就是一个备选权值。初始时刻，每一个点有相同的信息素量。每个权值都有一张信息素表，如表4所示。表中wi为第i个需要优化的权值；ai为划分刻度值，被看作是一个点；τ(i)为ai所对应的信息素量；spn为候选点的个数，即定义域被划分了（spn-1）份数。蚂蚁从每一个权值的子区域穿过且仅穿过一次，并记录相应点的标号。这些子区域的组合构成了神经网络的一组权值。根据输入输出样本得到误差值，再根据误差值的大小进行信息素（见表4）的更新。

表4 wi权值信息素表

2.2 具体步骤

在反传神经网络的结构已确定的情况下，采用ACO-BP方法训练神经网络的具体步骤如图1[4]。

步骤1：初始化。将权值区间[Wmin,Wmax]均匀分割spn等分。为每一个参数建立一张如表4所示的信息素表，设置信息素初值τ0，信息素挥发系数ρ，信息素增量强度Q，ACO的最大迭代次数NACO，BP算法的学习率η，BP算法的最大迭代次数NBP，训练误差退出条件E0，最优解保留数目σ等参数。

步骤2：释放m只蚂蚁。蚂蚁k依据如下概率公式从一点移动到下一点。

蚂蚁记录所经过点的标号，即为该权值选择一个数值，并记录在tabuk中。当蚂蚁为所有权值参数选择值后，蚂蚁完成了一次遍历，记录的所有值构成了该神经网络的所有参数。输入训练样本，得到相应的输出，计算误差E。

步骤3：所有蚂蚁构造解以后记录误差较小的σ组权值，并比较最小的误差Emin与E0的大小。如果Emin≤E0转到步骤7，否则转步骤4。

步骤4：信息素更新。按照“精英”更新策略对信息素按下式进行更新：

其中

步骤5：重复步骤2到步骤3，直到满足最大迭代次数，转步骤6。

步骤6：采用BP算法进一步训练神经网络。将蚁群算法找到的σ组最好权值分别作为BP算法的初始权值，计算网络输出和实际输出之间的误差：

yjk为单元j的实际输出。总误差为：

并将误差由输出层反向传播到输入层，按图1所示过程调整权值。重复以上过程，直到满足停止条件。

图1 ACO-BP算法流程图

步骤7：采用验证样本对训练好的神经网络的泛化能力进行检验，如果验证误差满足要求，退出程序；否则转步骤1，重新开始训练。

3 仿真实验与结果分析

为了比较ACO算法对BP模型参数选取的重要性，将粒子群算法（PSO）也引入BP模型参数的选取中。采用变步长算法对网络进行训练，直到网络各单元的连接权值趋于稳定，总误差平方和小于0.001，训练结束。网络从学习样本中抽取了因果关系，建立了一个由人体热舒适感影响因素到PMV指标的映射的神经网络[5]。两个模型的网络训练收敛过程如图2和图3所示。

图4和图5是两种模型的最优分类结果图。从图中可以看出，ACO-BP分类结果优于PSO-BP，最好结果达到100%，PSO-BP最好达到99.333%。

图2 网络训练收敛过程

图3 网络训练收敛过程

图4 基于PSO-BP模型的预测分类结果

图5 基于ACO-BP模型的预测分类结果

表5给出了两种模型20次预测结果平均准确率和运行时间，从表中看出ACO-BP的预测平均率高于PSO-BP，其结果比PSO-BP高0.6224%。从运行时间来看，ACO-BP模型运行时间要比PSO-BP长，但是考虑到在搜索σ组较优的权值组合和寻找真正的全局最优点以及现有高级计算机的运行效率，这种时间级的运行代价将更小，因此采用ACO算法对BP神经网络进行整定，不仅保证了预测精确度，而且高效。

表5 两种模型预测结果对比

4 结语

本文研究了基于ACO-BP的实验室热舒适性分类模型，文中给出了模型的详细设计步骤，并给出了部分Matlab代码。最后的实验表明，将ACO算法引入到BP模型中寻找最优参数，并将其应用到某大学实验室热舒适性分类是可行的，对提高BP模型的分类准确率是有效的，此模型也可以推广到其他分类预测中。

[1]王丹,曹红奋.基于PMV控制目标的舒适性空调应用研究[J].洁净与空调技术,2011,2(3):8-11

[2]申欢迎.基于PMV指标的舒适空调模糊控制系统仿真研究[D].成都:西南交通大学,2004

[3]罗婷.基于PMV指标的室内热舒适控制方法的应用研究[D].济南:山东建筑大学,2009

[4]牛玉磊.ACO-BP在拱坝变形监测中的应用[J].淮海工学院学报,2011,9(12):95-97

[5]杨洪祥.基于广义预测的变风量空调末端仿真与控制研究[D].北京:北京工业大学,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

闫婷（1989～），女，硕士研究生；陕西省西安市碑林区雁塔路13号（710055）；E-mail:531804252@qq.com

陕西省教育厅自然科学研究项目基金（12JK0999）；西安建筑科技大学科技计划项目（JC1215）