采用多蜂群協(xié)同演化算法的服裝流行色預測

趙 黎， 楊連賀， 黃 新

(1. 天津工業(yè)大學 紡織學院， 天津 300387； 2. 天津師范大學 計算機與信息工程學院， 天津 300387)

在服裝流行的預測中，準確預測流行色不僅可以為產業(yè)鏈的銷售環(huán)節(jié)提供重要采購參考，還可以為制造環(huán)節(jié)提供生產方案，增強服裝企業(yè)相關產品市場競爭力[1]。目前較流行的服裝流行色預測方法有色彩值偏愛數(shù)值法[2]、彩色卡空間位置研究法[3]、灰色系統(tǒng)理論[4-5]、神經網(wǎng)絡[6]以及將灰色系統(tǒng)理論和神經網(wǎng)絡結合而產生的灰色神經網(wǎng)絡組合理論[7-8]等。這些定量方法可預測出下一年的流行色信息，但是其預測精度有待提高。

蜂群算法雖然研究比較晚，但是其優(yōu)良的算法特性越來越貼近自然界中蜂群的生物特征[9-11]，更多地通過群落信息交換提高協(xié)同優(yōu)化效果[12-14]?；诖?，本文提出了一種具有層次協(xié)同演化機制的統(tǒng)一框架模型，并借此對經典生物啟發(fā)式算法加以改進；利用改進算法優(yōu)化人工神經網(wǎng)絡的權值，提升其模擬目標對象的精度和效果；最終，將高精度人工神經網(wǎng)絡模型應用于預測下一年服裝流行色色相環(huán)節(jié)，為定量法預測服裝流行色跟蹤預測提供了一種可靠的技術手段。

1 層次協(xié)同演化蜂群優(yōu)化算法

在人工蜂群算法(ABC)[15-16]的基礎上提出群落層次系統(tǒng)演化統(tǒng)一優(yōu)化模型，采用分而治之策略，對目標高維問題隨機劃分成若干低維度子問題，實現(xiàn)降維操作。

1.1 層次協(xié)同演化模型

構建的優(yōu)化框架[14]如圖1所示。

圖1 基于生物群體行為的層次優(yōu)化模型Fig.1 Hierachical optimization model based on swarm behaviors

個體層代表底層成員個體，本身有其生物屬性；中間層為種群層，具有微觀特性與宏觀特性并存的特點，也是基本信息交互層，通過彼此學習提高子群的性能；上層是代表種群中的群落層，這個群落中包含大量的群眾成員，采用環(huán)形拓撲策略，加強種群間的信息交互，保持種群與種群間的多樣性；環(huán)境是指優(yōu)化的目標函數(shù)。

1.2 群落層次演化的多蜂群協(xié)同優(yōu)化算法

1.2.1基于分而治之策略的多種群協(xié)同演化

目前，分而治之策略的協(xié)同進化主要有2種方法：一種是將函數(shù)的高維搜索空間分成低維度的子分量；另一種是將復雜非線性函數(shù)映射分解成子函數(shù)[17]。本節(jié)將重點研究高維向量空間里面的智能分解策略。

1.2.1.1向量分解策略 首先，將維度為D的向量分解為K個S維子向量；其次，采用隨機分組策略，相對于固定分組，隨機分組策略將增大存在依賴關系的變量分在一組的概率；另外，分解的組數(shù)K并不是一成不變的，而是按照目標問題維度D的約數(shù)集合進行，例如對于100維向量，可選擇K=2, 5, 10, 20, 25, 50等；最終，采取向量組合方式，每組都存在最優(yōu)向量組合Gbest=(P1·g,P2·g,Pj·g，PK·g)，其中：第j個子群表示為Pj，j∈[1，…，k]；g為每個子群的最優(yōu)解。每次迭代如果子代性能優(yōu)于向量組合則進行替換。

1.2.1.2基于交叉操作的增強學習策略 借鑒遺傳算法的交叉操作，在多個種群中尋找最優(yōu)個體，交換優(yōu)質食物源，按照此方法在整個群落中進行交叉操作。

步驟1：精英選擇構建(BPL)。為找到最優(yōu)的食物源，本文算法首先在個體所在的當前子群進行搜索，然后再計算其他子群適應度。為有效建立選擇精英，種群之間的聯(lián)系選擇環(huán)形拓撲結構，比較簡單清楚。

步驟2：BPL的父代選擇。為使找到的解最優(yōu)，必須使其父代最優(yōu)，所以在精英構建群中選擇2個最優(yōu)的精英，為保證其公平性，采取錦標賽方式，最終可有效地選擇適應度最高的父代。

步驟3：使用式(1)種群間的單點交叉操作。

snew=rand(0,1)×p1+rand(0,1)×p2

(1)

式中：p1和p2為從BPL中選擇的父代精英；rand(0,1)為隨機函數(shù)。

步驟4：自我更新。為進行種群的最優(yōu)化，需要按照某種算法淘汰子群中一定數(shù)量的個體。實驗采用貪婪算法將最優(yōu)者留下。

1.2.2算法描述

基于圖1示出的分層人工蜂群算法(HABC)模型分3層結構，分層人工蜂群算法整體流程見圖2。

圖2 HABC算法流程圖Fig.2 Flowchart of HABC algorithm

2 實 驗

為測試基于群體層次演化的多蜂群協(xié)同優(yōu)化算法求解高維度問題的性能，本文將采用該算法對BP人工神經網(wǎng)絡(BPNN)中的權值進行優(yōu)化，以期獲得更好的模擬效果，并在此基礎上將基于蜂群層次協(xié)同算法的人工神經網(wǎng)絡(HABCNN)應用于服裝流行色色相預測領域中，以獲得更好的預測精度。

2.1 蜂群層次協(xié)同算法的神經網(wǎng)絡訓練

2.1.1HABCNN訓練過程

2)個體適應度函數(shù)計算。訓練網(wǎng)絡中均方誤差平方和M及絕對誤差E作為群體智能算法適應度函數(shù)使用如下公式：

(2)

(3)

輸出神經網(wǎng)絡權值參數(shù)獲取。

采用人工蜂群算法不斷更新網(wǎng)絡的權值W，提高網(wǎng)絡性能，減少誤差值，達到誤差精度或最大的迭代次數(shù)[18]。輸出最優(yōu)解即所對應的神經網(wǎng)絡權值參數(shù)。

2.1.2曲線擬合測試

逼近函數(shù)為f(x)=sinx+1.5sin(2x)，輸入xi為在[0,4π]區(qū)間上間隔為0.1的等差數(shù)列。選用1輸入1輸出的BP擬合樣本，并確定4為隱形節(jié)點數(shù)。圖3～5分別示出BP擬合算法、使用ABC擬合算法以及使用HABC擬合算法構成的曲線。圖中方點為目標函數(shù)曲線。HABC訓練方法構成的2條曲線相似程度較高，其次是ABC方法，最后是BP方法。

圖3 以BP為基礎的神經網(wǎng)絡逼近曲線Fig.3 BP based curve neural network for function approximation

圖4 以ABC為基礎的神經網(wǎng)絡逼近曲線Fig.4 ABC-based curve neural network for function approximation

圖5 以HABC為基礎的神經網(wǎng)絡逼近曲線Fig.5 HABC based curve neural network for function approximation

表1示出3種算法的最大絕對誤差Emax、最小絕對誤差Emin、平均絕對誤差Eave及絕對誤差方差Estd。HABC方法得到的極端數(shù)據(jù)和絕對誤差均小于其他2種方法，多次實驗結果也充分表明方差數(shù)據(jù)也呈現(xiàn)這樣一種趨勢，故以HABC方法為基礎的計算方法在實際應用中更具有操作性和實踐性，數(shù)據(jù)也更加準確。

圖6示出平均10次的訓練收斂曲線。可明顯看出在訓練過程中基于ABC的方法要優(yōu)于BP方法，其中HABC的性能更為優(yōu)越。

表1 最終計算誤差 Tab.1 Final calculation error

圖6 訓練過程的收斂曲線Fig.6 Convergence curves of training process

實驗結果表明，基于群落層次演化多蜂群協(xié)同算法優(yōu)化的神經網(wǎng)絡在收斂速度、學習效率等方面均比傳統(tǒng)算法如BP神經網(wǎng)絡算法[19]、基于人工蜂群算法優(yōu)化的神經網(wǎng)絡的效果更好。

2.2 采用蜂群協(xié)同算法的服裝流行色預測

實驗在2007—2016年的國際春夏女裝流行色定案統(tǒng)計分析的基礎上，依據(jù)色彩學理論中區(qū)間分類劃分邊界值方法對PANTONE色相進行分區(qū)，并借助HABCNN算法對2017年女裝流行色的色相進行預測。

2.2.1色相預測

基于改進神經網(wǎng)絡的流行色色相預測的主要步驟概括如下：1)隨機生成人工神經網(wǎng)絡的初始權值wij，范圍限制在0～1之間；2)歷史數(shù)據(jù)的量化與分析，提煉出10類色彩的歷年比率表；3)改變歷史數(shù)據(jù)格式，轉化成可用于人工神經網(wǎng)絡訓練的數(shù)據(jù)結構；4)將訓練數(shù)據(jù)導入人工神經網(wǎng)絡；5)采用啟發(fā)式智能優(yōu)化算法修改人工神經網(wǎng)絡的傳播權值；6)測定計算誤差(e)，如e小于設定誤差值E′，則停止；否則重復步驟5)，直至滿足誤差條件為止；7)導入預測樣本；8)獲取流行色預測值。

本文實驗以3年時間序列為基礎預測后4年的10色相流行概率為例，來測試HABCNN的性能。表2示出基于BPNN和HABCNN不同隱含層節(jié)點數(shù)時對2010—2017年春夏流行色的預測值。

由表2可看出，通過設置不同隱藏層節(jié)點數(shù)發(fā)現(xiàn)，節(jié)點數(shù)為10的預測數(shù)值比節(jié)點數(shù)為6的更逼近期望值。當收斂速度較穩(wěn)定(即隱藏節(jié)點數(shù)大于5)時，使用HABCNN預測的色相值更逼近于期望值，精度大大高于傳統(tǒng)神經網(wǎng)絡。采用網(wǎng)絡結構為輸入層3 個節(jié)點，隱藏層分別為6個和10個節(jié)點，輸出層1個節(jié)點的HABCNN對2017年色相的預測結果為：流行概率較高的是黃、黃紅、紅紫、綠這4個顏色，藍色有一定概率流行，而其他色相流行的概率相對較低。

2.2.2預測結果與分析

PANTONE公司于2016年9月23日在其官方網(wǎng)站上公布了2017年春夏流行色，對其進行色相統(tǒng)計后得到表3。對比發(fā)現(xiàn)，采用基于HABCNN模型的預測值為黃、黃紅、紫藍、綠這4個顏色的出現(xiàn)有較高概率(大于10%)，藍色的出現(xiàn)有一定概率(9.6%，接近10%)，紅紫的出現(xiàn)概率非常低(遠小于10%)；而2017年，黃紅色出現(xiàn)3個，綠色出現(xiàn)2個，黃色、紅色、紅紫、紫藍、藍色分別出現(xiàn)1個，與2.2.1預測的結果基本一致；但預測誤差較大的為紅紫色，而對比紅紫色的出現(xiàn)頻率可看出，紅紫色出現(xiàn)的概率一向較低，出現(xiàn)的隨機性較強。

表2 基于BPNN和HABCNN不同隱含層節(jié)點數(shù)時對2010—2017年春夏流行色的預測概率值Tab.2 Predicted hues from 2010 to 2017 by different numbers of hidden layer nodes by BPNN and HABCNN

注：H表示HABCNN計算出的值；B表示BPNN計算的值；字母后面的數(shù)字代表隱含層的節(jié)點數(shù)，如H10表示使用HABCNN，隱含節(jié)點數(shù)為10的預測值；MAE表示平均絕對誤差。

表3 2017年PANTONE發(fā)布的春夏流行色的色相統(tǒng)計Tab.3 Hue statistics of 2017 spring/summer fashion color palettes issued by PANTONE

3 結 論

提出了一種基于群落層次演化的多蜂群協(xié)同優(yōu)化算法，該算法采用分而治之策略，將高維度的問題劃分成若干個低維度的子問題，每個子問題采用一個子種群加以求解，并采用基于交叉操作的增強學習策略來強化種群之間的學習效果，實現(xiàn)層次演化優(yōu)化。

采用基于群體層次演化的多蜂群協(xié)同優(yōu)化算法求解人工神經網(wǎng)絡的權值，解決傳統(tǒng)基于梯度下降法、數(shù)值優(yōu)化法的神經網(wǎng)絡訓練易陷入局部最小值、計算復雜、對網(wǎng)絡的初始權值和參數(shù)極為敏感的缺陷。最終采用基于群落層次演化多蜂群協(xié)同算法的人工神經網(wǎng)絡HABCNN作為服裝流行色預測模型，借此分析不同隱含層節(jié)點個數(shù)對色相預測精度的影響。

與傳統(tǒng)預測方法相比，本文提出的算法有效地提高了流行色預測精度，可為國內服裝相關企業(yè)提供較早和便利的預測信息。

[1] 吳平. 流行色趨勢預測發(fā)布和中國發(fā)布歷史[J].流行色，2007(10)：97-103.

WU Ping. Fashion color prediction and China releases history [J]. Fashion Color， 2007(10)：97-103.

[2] 李鵬. 流行色信息系統(tǒng)的研究 [D].西安：西北紡織工學院，2000：36-45.

LI Peng. Fashion color information system [D].Xi′an: Northwest Institute of Textile Science and Technology, 2000：36-45.

[3] 周琴.用回歸分析法預測服裝流行色[D].無錫：江南大學，2005：19-27.

ZHOU Qin. Forecasting the fashion color of clothing by regressing analysis method[D]. Wuxi:Jiangnan University， 2005：19-27.

[4] 吳志明，李熠. 服裝流行色的色彩意向灰色預測[J].紡織學報，2009，30(4): 94-100.

WU Zhiming，LI Yi. Clothing fashion color image scale grey forecast [J]. Journal of Textile Research，2009，30(4)：94-100.

[5] 常麗霞, 高衛(wèi)東, 潘如如,等.灰色GM(1,1)模型在國際春夏女裝流行色色相預測中的應用[J].紡織學報， 2015，36(4):128-133.

CHANG Lixia，GAO Weidong，PAN Ruru，et al. Hue prediction on intercolor for women′s spring/summer using GM(1,1) models[J]. Journal of Textile Research, 2015，36(4)：128-133.

[6] 狄宏靜，劉冬云，吳志明.基于BP神經網(wǎng)絡的春夏女裝流行色預測 [J].紡織學報，2011，32(7)：111-116.

DI Hongjing，LIU Dongyun，WU Zhiming. Forecast of women′s spring/summer fashion color based on BP neural network [J].Journal of Textile Research，2011，32(7)：111-116.

[7] 蘇博，劉魯，楊方廷.基于灰色關聯(lián)分析的神經網(wǎng)絡模型[J].系統(tǒng)工程理論與實踐，2008，28(9)：98-104.

SU Bo，LIU Lu，YANG Fangting. Research of artificial neural network forecasting model based on grey relational analysis[J]. Systems Engineering Theory & Practice，2008，28(9)：98-104.

[8] 吳也哲,翟永超,孫莉.基于灰色前饋神經網(wǎng)絡的流行色預測[J].東華大學學報(自然科學版)，2011， 37(2)：199-204.

WU Yezhe，ZHAI Yongchao, SUN Li. Fashion color forecast based on gray back propagation neural network model[J].Journal of Donghua University(Natural Science Edition)， 2011，37(2)：199-204.

[9] BASTURK B， KARABOGA D. A modified artificial bee colony algorithm for real-parameter optimization [J]. Information Sciences，2012，192 (1):120-142.

[10] GAO W, LIU S, HUANG L. A novel artificial bee colony algorithm with powell′s method [J]. Applied Software Computing，2013，13(9)：3763-3775.

[11] COELHO L S， ALOTTO P. Gaussian artificial bee colony algorithm approach applied to loneys solenoid benchmark problem[J]. IEEE Transactions Magnetics， 2011，47(5)： 1326-1329.

[12] ALATAS B. Chaotic bee colony algorithms for global numerical optimization. expert system[J].Expert Systems with Applications， 2010，37 (8)：5682-5687.

[13] COELHO L S， ALOTTO P. Gaussian artificial bee colony algorithm approach applied to loneys solenoid benchmark problem[J]. IEEE Transactions Magnetics， 2011，47(5)：1326-1329.

[14] 朱云龍，陳瀚寧，申海. 生物啟發(fā)計算：個體、群體、群落演化模型與方法[M]. 北京：清華大學出版社，2013：120-145.

ZHU Yunlong, CHEN Hanning, SHEN Hai. Biologically Inspired Computing: Models and Methods for Individual, Population, and Community Evolution[M]. Beijing：Tsinghua University Press, 2013：120-145.

[15] QI Xiangbo. A learnable artificial bee colony algorithm for numerical function optimization[C]// ZHU Yunlong, NAN Lin, MA Lianbo. Proceedings of 20th International Conference on Industrial Engineering and Engineering Management. Berlin： Spring International Publishing，2013:349-360.

[16] TIMMIS J, NEAL M. Artificial homeostasis: integrating biologically inspired computing[R]. Technical Report UWA-DCS-03-043, University of Wales, Aberystwyth，2003.

[17] AKAY B. Solving integer programming problems by using artificial bee colony algorithm[C]//KARABOGA D. Emergent Perspectives in Artificial Intelligence. Italy：Springer-Verlag Berlin Heidelberg，2009：355-364.

[18] 李偉強，徐建城，殷劍鋒. 蜜蜂群優(yōu)化算法用于訓練前饋神經網(wǎng)絡[J].計算機工程與應用，2009， 45(24)：43-49.

LI Weiqiang，XU Jiancheng，YIN Jianfeng. Bee colony optimization algorithm for training feed-forward neural networks [J]. Computer Engineering and Applications，2009， 45(24)：43-49.

[19] 常麗霞.服裝流行色的量化與預測研究[D].無錫：江南大學，2013：45-60.

CHANG Lixia. Research on fashion color quantification and prediction[D]. Wuxi：Jiangnan University， 2013：45-60.