基于改进麻雀搜索算法的照明控制优化

doi:10.11772/j.issn.1001-9081.2022010031

《计算机应用》唯一官方网站 ›› 2023, Vol. 43 ›› Issue (3): 835-841.DOI: 10.11772/j.issn.1001-9081.2022010031

基于改进麻雀搜索算法的照明控制优化

张玉杰, 王帆()

陕西科技大学电气与控制工程学院，西安 710021

收稿日期:2022-01-11 修回日期:2022-03-10 接受日期:2022-03-14 发布日期:2022-04-06 出版日期:2023-03-10
通讯作者: 王帆
作者简介:张玉杰（1966—），男，陕西咸阳人，教授，主要研究方向：模式识别、机器学习、智能控制、物联网
王帆（1998—），男，陕西渭南人，硕士研究生，主要研究方向：最优化控制、模式识别。
基金资助:
陕西省教育厅服务地方专项计划项目(21JC004);深圳市科技计划项目(JSGG20210802154545031);西安市科技计划项目(2020KJRC0010);西安市未央区科技计划项目(202015)

Lighting control optimization based on improved sparrow search algorithm

Yujie ZHANG, Fan WANG()

College of Electrical and Control Engineering，Shaanxi University of Science and Technology，Xi’an Shaanxi 710021，China

Received:2022-01-11 Revised:2022-03-10 Accepted:2022-03-14 Online:2022-04-06 Published:2023-03-10
Contact: Fan WANG
About author:ZHANG Yujie， born in 1966， M. S.， professor. His research interests include pattern recognition， machine learning， intelligent control， internet of things.
WANG Fan， born in 1998， M. S. candidate. His research interests include optimal control， pattern recognition.
Supported by:
Shaanxi Provincial Department of Education Special Plan for Serving Local Areas(21JC004);Shenzhen Science and Technology Plan Project(JSGG20210802154545031);Xi’an Science and Technology Plan Project(2020KJRC0010);Science and Technology Planning Project of Weiyang District, Xi’an City(202015)

摘要/Abstract

摘要：

针对当前照明环境存在能耗浪费严重的问题，提出一种基于改进麻雀搜索算法（P-SSA）的照明控制优化方法。首先为增加初始种群的多样性、避免早熟收敛和增强寻优能力，对SSA引入Logistic混沌初始化、柯西变异及历史最优位置的记忆功能；然后综合考虑光环境中人员存在状态、天然光分布及多灯具之间的耦合作用建立适应度函数，并使用DIALux evo专业照明仿真软件获取人工光照度传递矩阵和天然光照度分布；最后对改进的SSA进行性能验证，并使用多个优化算法进行调光系数组合寻优的实验。实验结果表明，相较于粒子群优化算法（PSO）、算术优化算法（AOA）等，基于P-SSA的照明控制优化方法可以快速并精确地找到最优调光系数的组合，并实现满足舒适性为前提下的最大化节能性要求。

关键词: 麻雀搜索算法, 混沌映射, 柯西变异, 照明控制, 节能照明, 舒适照明

Abstract:

Aiming at the serious waste of energy in the current lighting environment， a lighting control optimization method based on Progressive Sparrow Search Algorithm （P-SSA） was proposed. Firstly， to increase the diversity of the initial population， avoid premature convergence and enhance the ability to search for optimization， the Logistic chaotic initialization， the Cauchy mutation and the memory function of the historical optimal position were introduced into SSA. Then， the presence of people in the light environment， the distribution of natural light and the coupling between multiple lamps and lanterns were comprehensively considered to establish a fitness function. DIALux evo professional lighting simulation software was used to obtain the artificial illuminance transfer matrix and natural illuminance distribution. Finally， the performance of P-SSA was verified， and several optimization algorithms were used to carry out experiments about optimization of the combination of dimming coefficients. Experimental results show that compared with optimization algorithms such as Particle Swarm Optimization algorithm （PSO） and Arithmetic Optimization Algorithm （AOA）， the lighting control optimization method based on P-SSA can find the combination of optimal dimming coefficients quickly and accurately， and meet the requirement of maximum energy saving under the premise of comfort.

Key words: Sparrow Search Algorithm (SSA), chaotic mapping, Cauchy mutation, lighting control, energy-efficient lighting, comfort lighting

中图分类号:

TP273.1

张玉杰, 王帆. 基于改进麻雀搜索算法的照明控制优化[J]. 计算机应用, 2023, 43(3): 835-841.

Yujie ZHANG, Fan WANG. Lighting control optimization based on improved sparrow search algorithm[J]. Journal of Computer Applications, 2023, 43(3): 835-841.

图/表 10

图1 μ取值对Logistic生成数据的随机性影响

Fig. 1 Influence of μ value on randomness of Logistic generated data

图2 P-SSA流程

Fig. 2 Flowchart of P-SSA

图3 不同时期的麻雀种群分布

Fig. 3 Distribution of sparrow population in different periods

表1 基准测试函数信息

Tab. 1 Benchmark function information

基准函数表达式	维度	取值范围	最优解
$F 1 = ∑ i = 1 n x i + ∏ i = 1 n x i$	30	［-10，10］	0
$F 2 = ∑ i = 1 n ∑ j = 1 i x j 2$	30	［-100，100］	0
$F 3 = m a x i x i, 0 ≤ i ≤ n$	30	［-100，100］	0
$F 4 = ∑ i = 1 n - x i ⋅ s i n x i$	30	［-500，500］	-418.9n
$F 5 = ∑ i = 1 n x i 2 - 10 c o s 2 π x i + 10$	30	［-5.12，5.12］	0
$F 6 = - 20 e x p - 0.2 1 n ∑ i = 1 n x i 2 - e x p 1 n ∑ i = 1 n c o s 2 π x i) + 20 + e$	30	［-32，32］	0

表1 基准测试函数信息

Tab. 1 Benchmark function information

基准函数表达式	维度	取值范围	最优解
$F 1 = ∑ i = 1 n x i + ∏ i = 1 n x i$	30	［-10，10］	0
$F 2 = ∑ i = 1 n ∑ j = 1 i x j 2$	30	［-100，100］	0
$F 3 = m a x i x i, 0 ≤ i ≤ n$	30	［-100，100］	0
$F 4 = ∑ i = 1 n - x i ⋅ s i n x i$	30	［-500，500］	-418.9n
$F 5 = ∑ i = 1 n x i 2 - 10 c o s 2 π x i + 10$	30	［-5.12，5.12］	0
$F 6 = - 20 e x p - 0.2 1 n ∑ i = 1 n x i 2 - e x p 1 n ∑ i = 1 n c o s 2 π x i) + 20 + e$	30	［-32，32］	0

表2 算法测试结果比较

Tab. 2 Algorithm test results comparison

测试函数	统计值	PSO	BES	AOA	SSA	P-SSA
$F 1$	均值	1.566E-01	3.098E-27	1.291E-21	9.152E-42	5.231E-49
$F 1$	标准差	5.342E-01	9.295E-30	6.736E-40	5.631E-24	1.878E-48
$F 2$	均值	1.220E+02	0.000E+00	9.315E-31	1.962E-97	0.000E+00
$F 2$	标准差	4.562E+02	0.000E+00	5.102E-30	2.567E-115	0.000E+00
$F 3$	均值	1.405E+00	1.709E-207	3.230E-07	1.365E-93	3.281E-213
$F 3$	标准差	3.104E+00	5.127E-229	1.769E-06	6.728E-93	6.125E-276
$F 4$	均值	-6.230E+03	-4.694E+03	-2.437E+03	-1.912E+03	-8.561E+03
$F 4$	标准差	1.601E+03	5.507E+02	2.755E+02	1.114E+02	7.129E+02
$F 5$	均值	1.029E+01	0.000E+00	0.000E+00	0.000E+00	0.000E+00
$F 5$	标准差	2.087E-01	0.000E+00	0.000E+00	0.000E+00	0.000E+00
$F 6$	均值	1.326E-00	8.881E-16	8.881E-16	7.165E-15	8.881E-16
$F 6$	标准差	7.713E-01	0.000E+00	0.000E+00	1.071E-15	0.000E+00

表2 算法测试结果比较

Tab. 2 Algorithm test results comparison

测试函数	统计值	PSO	BES	AOA	SSA	P-SSA
$F 1$	均值	1.566E-01	3.098E-27	1.291E-21	9.152E-42	5.231E-49
$F 1$	标准差	5.342E-01	9.295E-30	6.736E-40	5.631E-24	1.878E-48
$F 2$	均值	1.220E+02	0.000E+00	9.315E-31	1.962E-97	0.000E+00
$F 2$	标准差	4.562E+02	0.000E+00	5.102E-30	2.567E-115	0.000E+00
$F 3$	均值	1.405E+00	1.709E-207	3.230E-07	1.365E-93	3.281E-213
$F 3$	标准差	3.104E+00	5.127E-229	1.769E-06	6.728E-93	6.125E-276
$F 4$	均值	-6.230E+03	-4.694E+03	-2.437E+03	-1.912E+03	-8.561E+03
$F 4$	标准差	1.601E+03	5.507E+02	2.755E+02	1.114E+02	7.129E+02
$F 5$	均值	1.029E+01	0.000E+00	0.000E+00	0.000E+00	0.000E+00
$F 5$	标准差	2.087E-01	0.000E+00	0.000E+00	0.000E+00	0.000E+00
$F 6$	均值	1.326E-00	8.881E-16	8.881E-16	7.165E-15	8.881E-16
$F 6$	标准差	7.713E-01	0.000E+00	0.000E+00	1.071E-15	0.000E+00

图4 DIALux照明场景构建

Fig. 4 Lighting scene constructed by DIALux software

表3 照度参数及4种人员分布状态数据

Tab. 3 Illumination parameters and four kinds of personnel distribution data

状态	人工光照度传递矩阵/lx	天然光照度/lx	人员分布	目标照度/lx
State 1	$27679 6.8 4017 4.1 7.6 82281 4.7 1740 4017428381 7.9 4.2 1840 8.5 83283$	$2312214843$	$1111$	$300300300300$
State 2			$1100$	$300300100100$
State 3			$1001$	$300100100300$
State 4			$0000$	$0000$

表3 照度参数及4种人员分布状态数据

Tab. 3 Illumination parameters and four kinds of personnel distribution data

状态	人工光照度传递矩阵/lx	天然光照度/lx	人员分布	目标照度/lx
State 1	$27679 6.8 4017 4.1 7.6 82281 4.7 1740 4017428381 7.9 4.2 1840 8.5 83283$	$2312214843$	$1111$	$300300300300$
State 2			$1100$	$300300100100$
State 3			$1001$	$300100100300$
State 4			$0000$	$0000$

图5 4种人员分布状态下的寻优过程

Fig. 5 Optimization processes in four states of personnel distribution

表4 4种人员分布状态下的寻优结果

Tab. 4 Optimization results in four states of personnel distribution

人员分布状态	最优适应度值
人员分布状态	PSO	BES	AOA	SSA	P-SSA
State 1	159.763	150.141	161.435	172.130	149.592
State 2	85.978	59.826	72.720	67.100	59.701
State 3	95.152	89.893	94.513	125.496	89.893
State 4	0.000	0.000	0.000	0.000	0.000

表5 4种人员分布状态的最优调光比

Tab. 5 Optimal dimming coefficients in four states of personnel distribution

人员分布状态	最优调光比组合						功率/W
人员分布状态	P₁	P₂	P₃	P₄	P₅	P₆	功率/W
State 1	0.15	0.06	0.12	0.89	0.00	0.86	74.88
State 2	0.19	0.09	0.22	0.13	0.05	0.14	29.52
State 3	0.23	0.00	0.01	0.13	0.05	0.89	47.16
State 4	0.00	0.00	0.00	0.00	0.00	0.00	0.00

参考文献 18

1	罗涛，燕达，江亿，等.办公建筑照明能耗模拟方法研究（上）［J］.建筑科学， 2017， 33（4）：101-109. 10.13614/j.cnki.11-1962/tu.2017.04.15
	LUO T， YAN D， JIANG Y， et al. Research on the simulation method of lighting energy consumption in office buildings （Part 1）［J］. Building Science， 2017， 33（4）： 101-109. 10.13614/j.cnki.11-1962/tu.2017.04.15
2	郑国恒，周瑶，张柯.高校教室灯光节能控制系统的设计［J］.照明工程学报，2010，21（2）：32-37. 10.3969/j.issn.1004-440X.2010.02.007
	ZHENG G H， ZHOU Y， ZHANG K. Design of energy-saving control system for lighting in college classrooms ［J］. China Illuminating Engineering Journal， 2010， 21（2）： 32-37. 10.3969/j.issn.1004-440X.2010.02.007
3	LIN Q， LUO C， CAI H， et al. A coupling control model of color temperature and illumination in naturally lighted room based on evolutionary algorithm［J］. Sensors and Materials， 2019， 31（6）：2061-2072. 10.18494/SAM.2019.2414
4	ROMERO-RODRIGUEZ W J G， BALTAZAR R， ZAMUDIO V， et al. Comparative study of bio-inspired algorithms applied to illumination optimization in an ambient intelligent environment［M］// JEZIC G， CHEN-BURGER Y H J， KUSEK M， et al. Agents and Multi-agent Systems： Technologies and Applications 2019， SIST 148. Singapore： Springer， 2020：215-226. 10.1007/978-981-13-8679-4_18
5	郭旭，董丽，陈立崟，等.分布式照明系统的个性化调光方法［J］.大连工业大学学报， 2017， 36（6）：455-458. 10.3969/j.issn.1674-1404.2017.06.015
	GUO X， DONG L， CHEN L Y， et al. Personalized dimming method of distributed lighting system ［J］. Journal of Dalian Polytechnic University， 2017， 36（6）： 455-458. 10.3969/j.issn.1674-1404.2017.06.015
6	周士伟. 智能照明系统节能控制的研究［D］.成都：电子科技大学，2017： 38-65.
	ZHOU S W. Research on energy-saving control of intelligent lighting system ［D］. Chengdu： University of Electronic Science and Technology of China， 2017：38-65.
7	王出航，刘峰.采用遗传算法和WSN的智能灯控方法设计［J］.控制工程，2017，24（2）：341-345. 10.14107/j.cnki.kzgc.150130
	WANG C H， LIU F. Design of intelligent light control method using genetic algorithm and WSN ［J］. Control Engineering， 2017， 24（2）： 341-345. 10.14107/j.cnki.kzgc.150130
8	SI W， PAN X， OGAI H， et al. LP guided PSO algorithm for office lighting control［J］. IEICE Transactions on Information and Systems， 2016， 99 （7）：1753-1761. 10.1587/transinf.2015edp7242
9	MIRJALILI S， MIRJALILI S M， LEWIS A. Grey wolf optimizer［J］. Advances in Engineering Software， 2014， 69（3）：46-61. 10.1016/j.advengsoft.2013.12.007
10	ABUALIGAH L， DIABAT A， MIRJALILI S， et al. The arithmetic optimization algorithm［J］. Computer Methods in Applied Mechanics and Engineering， 2021， 376： No.113609. 10.1016/j.cma.2020.113609
11	ALSATTAR H A， ZAIDAN A A， ZAIDAN B B. Novel meta-heuristic bald eagle search optimisation algorithm［J］. Artificial Intelligence Review， 2020， 53（3）：2237-2264. 10.1007/s10462-019-09732-5
12	XUE J K， SHEN B. A novel swarm intelligence optimization approach： sparrow search algorithm［J］. Systems Science & Control Engineering， 2020，8（1）：22-34. 10.1080/21642583.2019.1708830
13	汤安迪，韩统，徐登武，等.基于混沌麻雀搜索算法的无人机航迹规划方法［J］.计算机应用，2021，41（7）：2128-2136. 10.11772/j.issn.1001-9081.2020091513
	TANG A D， HAN T， XU D W， et al. UAV track planning method based on chaotic sparrow search algorithm ［J］. Journal of Computer Applications， 2021， 41（7）： 2128-2136. 10.11772/j.issn.1001-9081.2020091513
14	尹德鑫，张达敏，蔡朋宸，等.改进的麻雀搜索优化算法及其应用［J］.计算机工程与科学，2022，44（10）：1844-1851.
	YIN D X， ZHANG D M， CAI P C， et al. An improved sparrow search optimization algorithm and its application ［J］. Computer Engineering and Science， 2022，44（10）： 1844-1851.
15	钱福如，樊艳芳，刘红政，等.基于Logistic混沌映射的自适应粒子群无功优化研究［J］.电力电容器与无功补偿，2017，38（4）：146-151. 10.14044/j.1674-1757.pcrpc.2017.04.026
	QIAN F R， FAN Y F， LIU H Z， et al. Research on adaptive particle swarm reactive power optimization based on logistic chaos mapping ［J］. Power Capacitors & Reactive Power Compensation， 2017， 38（4）：146-151. 10.14044/j.1674-1757.pcrpc.2017.04.026
16	苏福清，匡洪海，钟浩，等.基于柯西变异改进粒子群算法的无功优化［J］.电气工程学报，2021，16（1）：55-61.
	SU F Q， KUANG H H， ZHONG H， et al. Reactive power optimization based on cauchy variation improved particle swarm optimization ［J］. Journal of Electrical Engineering， 2021， 16（1）： 55-61.
17	LEE H， CHOI C H， SUNG M. Development of a dimming lighting control system using general illumination and location-awareness technology［J］. Energies， 2018， 11（11）： No.2999. 10.3390/en11112999
18	ROMERO-RODRIGUEZ W J G， BALTAZAR R， VALADEZ J M C， et al. A novel model for optimization of intelligent multi-user visual comfort system based on soft-computing algorithms［J］. Journal of Ambient Intelligence and Smart Environments， 2021， 13（2）： 95-116. 10.3233/AIS-210594

[1]	李牧, 骆宇, 柯熙政. 基于调频连续波雷达的人体生命体征检测算法[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1978-1986.
[2]	韦修喜, 彭茂松, 黄华娟. 基于多策略改进蝴蝶优化算法的无线传感网络节点覆盖优化[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1009-1017.
[3]	李大海, 詹美欣, 王振东. 基于多个改进策略的增强麻雀搜索算法[J]. 《计算机应用》唯一官方网站, 2023, 43(9): 2845-2854.
[4]	贾鹤鸣, 力尚龙, 陈丽珍, 刘庆鑫, 吴迪, 郑荣. 基于混沌宿主切换机制的䲟鱼优化算法[J]. 《计算机应用》唯一官方网站, 2023, 43(6): 1759-1767.
[5]	陈亮, 汤显峰. 改进正余弦算法优化特征选择及数据分类[J]. 《计算机应用》唯一官方网站, 2022, 42(6): 1852-1861.
[6]	高兵, 郑雅, 秦静, 邹启杰, 汪祖民. 基于麻雀搜索算法和改进粒子群优化算法的网络入侵检测算法[J]. 《计算机应用》唯一官方网站, 2022, 42(4): 1201-1206.
[7]	段玉先, 刘昌云. 基于Sobol序列和纵横交叉策略的麻雀搜索算法[J]. 《计算机应用》唯一官方网站, 2022, 42(1): 36-43.
[8]	汤安迪, 韩统, 徐登武, 谢磊. 基于混沌麻雀搜索算法的无人机航迹规划方法[J]. 计算机应用, 2021, 41(7): 2128-2136.
[9]	李丽荣, 杨坤, 王培崇. 融合头脑风暴思想的教与学优化算法[J]. 计算机应用, 2020, 40(9): 2677-2682.
[10]	王松伟, 陈建华. 基于混沌映射的多因子认证密钥协商协议[J]. 计算机应用, 2018, 38(10): 2940-2944.
[11]	李娟, 游晓明, 刘升, 陈佳. 动态混沌蚁群系统及其在机器人路径规划中的应用[J]. 计算机应用, 2018, 38(1): 126-131.
[12]	吕立国, 季伟东. 结合质心思想和柯西变异策略的粒子群优化算法[J]. 计算机应用, 2017, 37(5): 1369-1375.
[13]	王行甫, 陈静, 王琳. 基于适应性动态步长的变异果蝇优化算法[J]. 计算机应用, 2016, 36(7): 1870-1874.
[14]	李俊, 汪冲, 李波, 方国康. 基于多策略协同作用的粒子群优化算法[J]. 计算机应用, 2016, 36(3): 681-686.
[15]	乔现伟, 乔蕾. 基于限域拟牛顿法的混沌类电磁学机制算法及其在路径寻优中的应用[J]. 计算机应用, 2015, 35(3): 696-699.

基于改进麻雀搜索算法的照明控制优化

Lighting control optimization based on improved sparrow search algorithm

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 10

参考文献 18

相关文章 15

编辑推荐

Metrics