一種基于CPN網(wǎng)絡(luò)的分布式粒子群優(yōu)化算法

張振亞，駱麗春，王越，王萍，程紅梅

（1.智能建筑與建筑節(jié)能安徽省重點實驗室，安徽 合肥 230022；2.安徽建筑大學 電子與信息工程學院，安徽 合肥 230601；3.安徽建筑大學 經(jīng)濟與管理學院，安徽 合肥 230601）

關(guān)鍵字：粒子群優(yōu)化算法；CPN網(wǎng)絡(luò)；分布式系統(tǒng)；群智能建筑平臺

智能建筑指通過將建筑物的結(jié)構(gòu)、系統(tǒng)、服務(wù)和管理根據(jù)用戶的需求進行最優(yōu)化組合，從而為用戶提供一個高效、舒適、便利的人性化建筑環(huán)境。智能建筑是集現(xiàn)代科學技術(shù)之大成的產(chǎn)物。目前，DCS（Distributed Control System，集散控制系統(tǒng)或者分散控制系統(tǒng)或者分布式計算機控制系統(tǒng)）是智能建筑設(shè)計與實現(xiàn)主要采用的控制架構(gòu)，其基于控制分散、操作和管理集中的基本設(shè)計思想，采用多層分級、合作自治的結(jié)構(gòu)形式，其主要特征是它的集中管理和分散控制。PLC（Programmable Logic Controller）、FCS（Fieldbus Control System）技術(shù)的發(fā)展與成熟豐富了DCS的實踐。雖然這種架構(gòu)可以實現(xiàn)對設(shè)備的分布式控制，但是，存在一臺或多臺主計算機系統(tǒng)組成的中心節(jié)點是這種架構(gòu)的重要特征。不僅數(shù)據(jù)集中存儲在中心節(jié)點，系統(tǒng)所有業(yè)務(wù)單元的集成與數(shù)據(jù)交換也在中心節(jié)點上實 現(xiàn)?；贒CS理念實現(xiàn)的智能建筑管理平臺實現(xiàn)時，即使是使用PLC、FCS技術(shù)實現(xiàn)了完全的分布控制，依然存在縱向集成條塊分割、組網(wǎng)成本高、系統(tǒng)更改擴充變動成本高、用戶難以獲取整體信息、系統(tǒng)魯棒性差的典型問題。

針對這些典型問題，國家重點研發(fā)計劃項目“新型建筑智能化平臺系統(tǒng)技術(shù)”提出并設(shè)計了一種基于無中心、扁平化架構(gòu)理念的新型智能建筑平臺系統(tǒng)：群智能建筑平臺系統(tǒng)。該平臺系統(tǒng)將建筑空間視作各建筑子空間的組合，而建筑設(shè)施（設(shè)備）也被視作是重要部件的組合。每個建筑子空間和建筑設(shè)備的重要部件都配備一個名稱為CPN（Computing Process Node，計算處理節(jié)點）的“智能節(jié)點”，建筑子空間對應(yīng)的CPN節(jié)點簡稱空間CPN節(jié)點，空間CPN節(jié)點之間按照建筑子空間鄰接的關(guān)系進行連接：空間鄰接的空間CPN節(jié)點通過RJ45接口使用雙絞線直接連接，全部空間CPN節(jié)點構(gòu)成了一個以空間鄰接屬性為約束的網(wǎng)格；建筑物內(nèi)，建筑設(shè)施（設(shè)備）被視作是重要部件對應(yīng)CPN節(jié)點（設(shè)備CPN節(jié)點）之間按照組成建筑設(shè)施/設(shè)備各部件在空間中的彼此鄰接/鄰居關(guān)系進行連接：若兩個部件在空間上近鄰，當且僅當這兩個部件中間不存在具有設(shè)備CPN節(jié)點的部件，則這兩個部件的設(shè)備CPN節(jié)點通過RJ45接口使用雙絞線連接；空間CPN網(wǎng)格與設(shè)備CPN網(wǎng)絡(luò)在設(shè)備間以空間CPN與設(shè)備CPN直連的方式實現(xiàn)互聯(lián)，形成支撐新型建筑智能化平臺系統(tǒng)的基礎(chǔ)網(wǎng)絡(luò)：CPN網(wǎng)絡(luò)。CPN網(wǎng)絡(luò)是支撐新型建筑智能化平臺系統(tǒng)的基礎(chǔ)網(wǎng)絡(luò)，若將其視作圖G，則每個子系統(tǒng)對應(yīng)的設(shè)備CPN網(wǎng)絡(luò)都是G的子圖。對新型（群）建筑智能化平臺系統(tǒng)，基于基礎(chǔ)網(wǎng)絡(luò)G可以定義各建筑設(shè)施/設(shè)備系統(tǒng)對應(yīng)的CPN子網(wǎng)，如空調(diào)系統(tǒng)的CPN子網(wǎng)、供配電系統(tǒng)的CPN子網(wǎng)、安防系統(tǒng)的CPN子網(wǎng)、消防系統(tǒng)的CPN子網(wǎng) 等。

粒子群優(yōu)化算法是智能建筑應(yīng)用中使用較多的優(yōu)化方法?；贑PN網(wǎng)絡(luò)的群智能建筑平臺，無論是設(shè)備CPN節(jié)點還是空間CPN節(jié)點，每個CPN節(jié)點都具有信息綜合處理與計算、數(shù)據(jù)存儲能力以及與相鄰CPN節(jié)點進行數(shù)據(jù)交互的能力。面向群智能建筑平臺系統(tǒng)中建筑智能化策略以及建筑節(jié)能策略的實現(xiàn)，本文對粒子群優(yōu)化算法進行了改進，提出了基于CPN節(jié)點的粒子群優(yōu)化算法的分布式實現(xiàn)機制。CPN網(wǎng)絡(luò)拓撲結(jié)構(gòu)及其構(gòu)建在第二部分給出，基于CPN網(wǎng)絡(luò)的粒子群優(yōu)化算法改進在第三部分給出，第四部分對改進粒子群優(yōu)化算法的性能進行了實驗驗證與分析，總結(jié)與展望在第五部分給出。

1 CPN網(wǎng)絡(luò)

CPN是群智能建筑平臺構(gòu)建使用的智能計算節(jié)點，無論是空間CPN之間、設(shè)備CPN之間還是空間CPN與設(shè)備CPN之間，都可以通過RJ45接口使用雙絞線直連。每個空間CPN有8個RJ45接口：1個為WAN口，用于通過外部網(wǎng)絡(luò)/公網(wǎng)與遠端的服務(wù)器連接，遠端的服務(wù)器可以提供CPN的初始化、更新以及下載APP等服務(wù)；1個為LAN口，既可以用于使用PC/筆記本在本地設(shè)置CPN，也可以用于將本地諸如溫度、濕度、照度、人數(shù)等屬性信息上傳到本地CPN節(jié)點；其它6個鄰接接口，用于空間CPN彼此之間的連接（形式上，表示前后左右上下6個方位的空間）。設(shè)備CPN在具有與空間CPN一致的RJ45接口的同時，還帶有諸如485、232以及其它總線接口用于與設(shè)備的連接。圖1給出了CPN與CPN網(wǎng)絡(luò)的示意。

圖1（a）描述了CPN的核心功能：邏輯上，一個CPN（智能節(jié)點）包括可編程控制器PCT模塊、本地存儲MD模塊、輸入模塊I、輸出模塊O等四個模塊。其中，可編程控制器PCT模塊用于本地的信息處理與控制決策，本地存儲MD模塊用于存儲本地空間的狀態(tài)數(shù)據(jù)或者本地設(shè)備的狀態(tài)數(shù)據(jù)，輸入模塊I用于PCT模塊進行決策時所需外部信息（設(shè)備狀態(tài)信息、空間狀態(tài)信息等）的獲取，輸出模塊O用于向空間或者設(shè)備發(fā)布PCT模塊進行的決策。為支持智能節(jié)點群（CPN網(wǎng)絡(luò)）構(gòu)建，一個CPN節(jié)點還提供了6個用于其它CPN節(jié)點連接的直連端口DP。為簡化設(shè)計，目前6個直連端口DP在實現(xiàn)時都使用了RJ45接口，而輸入模塊I、輸出模塊O實現(xiàn)時使用了RJ45接口和WIFI接口。在部分機電設(shè)備專用CPN設(shè)計時，輸入模塊I、輸出模塊O也提供了對RS485、RS232接口的支持。

圖1 CPN與CPN網(wǎng)絡(luò)示意

如圖1（a）示意，相鄰的CPN節(jié)點通過直連端口使用數(shù)據(jù)線直連后，全部CPN節(jié)點就構(gòu)成了一個可以CPN網(wǎng)絡(luò)形式描述的智能節(jié)點群落。智能節(jié)點群落中，每個智能節(jié)點只能通過直連端口與鄰居交換信息。這樣，一個智能節(jié)點就可以通過綜合本地輸入模塊獲取的數(shù)據(jù)、存儲在本地的歷史數(shù)據(jù)以及從鄰居節(jié)點交換獲得的信息進行決策，實現(xiàn)對本地空間狀態(tài)、設(shè)備狀態(tài)的全局（或局部）最優(yōu)控制。這種最優(yōu)控制決策形成時，計算力、數(shù)據(jù)存儲不需要匯聚到指定的計算節(jié)點，呈現(xiàn)計算無中心、數(shù)據(jù)無中心的特點，同時，由于智能節(jié)點群落中，每個智能節(jié)點功能一致，智能節(jié)點群落呈現(xiàn)扁平化的特點。此時，若將智能節(jié)點群落作為一種新型的群智能建筑平臺系統(tǒng)，則無中心、扁平化是這種群智能建筑平臺系統(tǒng)最明顯的特點。

圖1（b）直觀地展示了一個使用CPN節(jié)點構(gòu)建的群智能建筑平臺系統(tǒng)上CPN節(jié)點在建筑空間中的分布情況：空間CPN節(jié)點依據(jù)所在區(qū)域的鄰接情況使用直連端口直連，設(shè)備CPN節(jié)點依據(jù)部件的鄰接情況使用直連端口直連，設(shè)備CPN子網(wǎng)、空間CPN子網(wǎng)在設(shè)備間通過直連端口實現(xiàn)了互聯(lián)。整體上，一個基于CPN的群智能建筑平臺系統(tǒng)，其基礎(chǔ)計算平臺是一套由建筑物內(nèi)全部CPN節(jié)點互聯(lián)形成的CPN網(wǎng)絡(luò)。在拓撲結(jié)構(gòu)上，該CPN網(wǎng)絡(luò)類似于圖1（c）示意的由CPN節(jié)點通過局部直連而形成的CPN網(wǎng)格。

基于CPN的群智能建筑平臺系統(tǒng)中，CPN節(jié)點上運行的決策是群智能建筑平臺系統(tǒng)中的APP。每個CPN節(jié)點上可以同時運行支撐群智能建筑平臺系統(tǒng)全部APP，而這些APP在一個CPN節(jié)點上，可以通過輪轉(zhuǎn)方式周期性地執(zhí)行，也可以在觸發(fā)條件滿足時被執(zhí)行。

顯然，根據(jù)圖1（c）示意的CPN網(wǎng)絡(luò)的拓撲，在CPN網(wǎng)絡(luò)中，空間不相鄰的兩個CPN節(jié)點之間不會通過直連端口直接連接?？梢宰C明，對任意一對不直連的CPN，一個CPN節(jié)點上的數(shù)據(jù)，可以也必須通過有限次數(shù)的轉(zhuǎn)發(fā)傳遞到另一個CPN。

2 基于CPN網(wǎng)絡(luò)的改進粒子群優(yōu)化算法

群智能建筑平臺系統(tǒng)的CPN網(wǎng)絡(luò)中，無論是設(shè)備CPN節(jié)點還是空間CPN節(jié)點，每個CPN節(jié)點都具有信息綜合處理與計算、數(shù)據(jù)存儲能力以及與相鄰CPN節(jié)點進行數(shù)據(jù)交互的能力?；贑PN網(wǎng)絡(luò)實現(xiàn)粒子群優(yōu)化算法時，可以在每個CPN節(jié)點中設(shè)置若干個粒子，每個CPN節(jié)點中執(zhí)行本地策略以更新本地每個粒子的速度和位置。

對粒子群優(yōu)化算法中，設(shè)t時刻位置在x（t）、速度為v（t）的粒子，則t+1時刻，其位置x（t+1）與速度v（t+1）一般按照式（1）、（2）規(guī)定的策略更新。式（1）中，

ω

是慣性因子，

c

、

c

是學習因子，rand（）是隨機數(shù)，

pBest

是粒子的歷史最優(yōu)位置，而

gBest

為全部粒子的歷史最優(yōu)位置。由于在群智能建筑平臺系統(tǒng)中，粒子群優(yōu)化算法的全部粒子分布在CPN網(wǎng)絡(luò)中的每個CPN節(jié)點中，而每個CPN節(jié)點只能夠與其鄰居節(jié)點交換數(shù)據(jù)，這使得遍歷網(wǎng)絡(luò)中每個CPN節(jié)點以獲得全部粒子歷史最優(yōu)位置操作只能通過迭代查詢的方式實現(xiàn)，這不僅使得獲取當前時刻全部粒子歷史最優(yōu)位置的操作代價高昂，而且由于迭代查詢顯著增加的消息轉(zhuǎn)發(fā)請求也將額外消耗網(wǎng)絡(luò)的資源，將對CPN網(wǎng)絡(luò)的性能產(chǎn)生負面影響。因此，在CPN網(wǎng)絡(luò)中實現(xiàn)粒子群優(yōu)化算法時，直接使用式（1）、（2）規(guī)定的策略更新每個粒子下一時刻的速度和位置的做法有待改進。對基于CPN網(wǎng)絡(luò)的分布式PSO算法，設(shè)：1）每個CPN節(jié)點中有若干個粒子；2）對任一CPN節(jié)點，記

gBestL

是該CPN節(jié)點中全部粒子的歷史最優(yōu)位置；3）對某個CPN節(jié)點，若其有

m

個鄰居CPN節(jié)點，記

gBestLi

是其第

i

個鄰居節(jié)點中全部粒子的最優(yōu)位置，規(guī)定

gBestA

如式（3）。則對基于CPN網(wǎng)絡(luò)的分布式PSO算法，某個CPN節(jié)點中任意粒子，若

t

時刻其位置為

x

（

t

）、速度為

v

（

t

），則其在

t

+1時刻的速度

v

（

t

+1）與位置

x

（

t

+1）可以依據(jù)式（4）、（2）確定。稱式（3）是基于CPN網(wǎng)絡(luò)的分布式PSO算法的數(shù)據(jù)交換策略，而式（4）、（2）是基于CPN網(wǎng)絡(luò)的分布式PSO算法中粒子位置的更新策略。

算法1：基于CPN網(wǎng)絡(luò)的分布式粒子群優(yōu)化算法輸入：本地粒子數(shù)n，學習因子c1、c2，慣性因子ω，最大迭代次數(shù)maxN，適應(yīng)度函數(shù)fun輸出：最優(yōu)個體的位置1）初始化每個本地粒子的速度與位置2）對本地的每個粒子，將其初始位置作為其歷史最優(yōu)位置的初始值3）依據(jù)本地每個粒子的最優(yōu)位置，計算本地全部粒子最優(yōu)位置gBestL 4）k=1；5）while k<=maxN 6） 獲取每個鄰居節(jié)點的歷史最優(yōu)位置gBestLi，i=1，2…m 7） 依據(jù)式（3）計算gBestA 8） for each 本地粒子9） 依據(jù)式（4）和式（2）更新速度和位置10） 使用適應(yīng)度函數(shù)fun計算位置更新后粒子的適應(yīng)度值11） 若新位置的適應(yīng)度值較粒子歷史最佳適應(yīng)度的值更 小，將粒子歷史最優(yōu)位置設(shè)置為粒子的當前位置12） 更新本地全部粒子最優(yōu)位置gBestL 13） k=k+1 14）輸出gBestL

算法1中，以粒子的適應(yīng)度值評估每個粒子位置的優(yōu)劣：適應(yīng)度值越小，粒子位置越優(yōu)越；粒子的適應(yīng)度值用適應(yīng)度函數(shù)

fun

計算，

fun

函數(shù)以粒子的位置為自變量。設(shè)

gBest

是k時刻CPN網(wǎng)絡(luò)中全部CPN節(jié)點全部粒子的全局最優(yōu)位置，則對CPN網(wǎng)絡(luò)中任意CPN節(jié) 點

fun

（

gBestL

）≥

fun

（

gBestA

）≥

fun

（

gBest

）。因此，類似式（1）、（2）規(guī)定的粒子群優(yōu)化算法中粒子速度與位置更新，對任意一個CPN節(jié)點中的粒子群中的粒子使用式（4）、（2）更新速度和位置，該CPN節(jié)點中的粒子群中粒子位置收斂。進一步，對全部CPN節(jié)點中的粒子群，雖然

gBest

可能不出現(xiàn)在每個CPN節(jié)點的粒子群中，但依據(jù)CPN網(wǎng)絡(luò)中CPN節(jié)點的連接特性和式（3）可知：由于任意兩個CPN節(jié)點在CPN網(wǎng)絡(luò)中有限步可達，故全局最優(yōu)位置

gBest

可以經(jīng)過有限次迭代傳遞到CPN網(wǎng)絡(luò)中每個CPN節(jié)點上的粒子群（極端情況：CPN網(wǎng)絡(luò)中全部m個CPN節(jié)點線性排列，設(shè)第一個CPN節(jié)點是A，最后一個節(jié)點是B。若最優(yōu)位置

gBest

是A節(jié)點粒子群中的局部最優(yōu)位置，則至多經(jīng)過m-1次迭代，B節(jié)點上的局部最優(yōu)位置優(yōu)于m-1次迭代前A節(jié)點的粒子群的局部最優(yōu)位置，即優(yōu)于m-1次迭代前的全局最優(yōu)位置）。顯然，式（3）規(guī)定的數(shù)據(jù)交換策略可以使全局最優(yōu)位置

gBest

在CPN網(wǎng)絡(luò)中每個CPN節(jié)點上傳播，而全局最優(yōu)位置gBest可以傳遞到CPN網(wǎng)絡(luò)中每個CPN節(jié)點，意味著CPN網(wǎng)絡(luò)中每個CPN節(jié)點上的粒子群本地局部歷史位置

gBestL

距全局最優(yōu)位置有限步可達，表現(xiàn)為當算法1運行結(jié)束時，每個CPN節(jié)點中粒子群的本地局部歷史位置

gBestL

的適應(yīng)度值差異較小。

3 實驗結(jié)果與分析

基于觀察數(shù)據(jù)擬合數(shù)據(jù)的變化規(guī)律是建筑智能化和建筑節(jié)能應(yīng)用實現(xiàn)時常見數(shù)據(jù)處理任務(wù)。為測試算法1的性能，實驗設(shè)定的數(shù)據(jù)擬合任務(wù)：已知樣本數(shù)據(jù)集

D

={（

x

，

d

）|

i

=1，2，…63}，

d

=sin（

x

），

x

=-3.1416+（i-1）*0.1，用一個有1個輸入神經(jīng)元、含有6個隱層神經(jīng)元的單隱層前向神經(jīng)網(wǎng)絡(luò)net擬合生成該樣本數(shù)據(jù)集的生成函數(shù)擬。顯然，被擬合函數(shù)為

y

=sin（

x

），?

x

∈[

-ππ

]。

設(shè)

W

、

U

、

B

、

B

取值確定，以樣本數(shù)據(jù)集

D

中的

x

為輸入時net的輸出為

y

，規(guī)定適應(yīng)度函數(shù)

fitness

（）如式（5）。顯然，

fitness

的值越小，net對函數(shù)

y

=sin（

x

）的擬合性能越好。

為使神經(jīng)網(wǎng)絡(luò)net能夠準確地擬合函數(shù)

y

=sin（

x

），需要優(yōu)化

W

、

U

、

B

、

B

的取值。實驗通過使用算法1優(yōu)化

W

、

U

、

B

、

B

的取值對算法1的性能進行了測試。

實驗首先使用依據(jù)式（1）、（2）實現(xiàn)了非分布式粒子群優(yōu)化算法（以下簡稱算法2）。實驗中，算法2在Matlab 2016實現(xiàn)。算法2在實現(xiàn)時，記錄每運行1遍算法使用的時間。

由于算法2在實現(xiàn)時，粒子的初始位置、初始速度以及式（1）規(guī)定的粒子速度更新策略都使用了隨機數(shù)，可以預期使用粒子群優(yōu)化算法訓練神經(jīng)網(wǎng)絡(luò)net關(guān)于目標函數(shù)的擬合精度、訓練時間存在波動。對所實現(xiàn)的算法2，以粒子數(shù)400、學習因子c1、c2均取值為2、慣性因子ω=0.8為輸入，重復執(zhí)行20遍。表1給出了迭代次數(shù)為1000時，算法2訓練前向神經(jīng)網(wǎng)絡(luò)net擬合目標函數(shù)的性能。顯然，前向神經(jīng)網(wǎng)絡(luò)net的訓練時間比較穩(wěn)定。當算法2終止運行、神經(jīng)網(wǎng)絡(luò)net訓練完成時，net對目標函數(shù)的擬合精度最佳可以達到10數(shù)量級，擬合精度均值的數(shù)量級也可以達到10?？紤]到擬合精度中位值的數(shù)量級達到10，顯然絕大多數(shù)情況下，算法獲得的對

W

、

U

、

B

、

B

等參數(shù)的估計可以使前向神經(jīng)網(wǎng)絡(luò)net較好地擬合目標函數(shù)。表2給出了迭代次數(shù)為2000時，算法2訓練前向神經(jīng)網(wǎng)絡(luò)net擬合目標函數(shù)的性能。顯然就擬合精度而言，結(jié)論與根據(jù)表1的結(jié)論一致。同時，注意到表1中，擬合精度均值為0.0038，而標準差為0.0083，這表明使用算法2訓練前向神經(jīng)網(wǎng)絡(luò)net擬合目標函數(shù)時擬合精度存在著顯著地波動。擬合精度的均值、穩(wěn)定性的提升可以通過增加迭代次數(shù)實現(xiàn)：在其他參數(shù)不變的情況下，迭代次數(shù)從1000增加到2000，表2中擬合精度的均值以及標準差信息表明，通過增加迭代次數(shù)的方法提升擬合精度的均值、穩(wěn)定性可行。表2中的數(shù)據(jù)為算法2以粒子數(shù)400、學習因子c1、c2均取值為2、慣性因子ω=0.8為輸入，重復執(zhí)行20遍時采集。對比表1、表2中的算法運行時間，顯然，增加迭代次數(shù)將會顯著增加訓練神經(jīng)網(wǎng)絡(luò)net的時間，這意味著應(yīng)用中要在提升前向神經(jīng)網(wǎng)絡(luò)net的擬合精度的性能和訓練時間兩者之間進行折中。

表1 非分布式粒子群優(yōu)化算法的性能 （粒子數(shù)：400、c1=2、c2=2、ω=0.8、1000次迭代、20遍）

表2 非分布式粒子群優(yōu)化算法的性能 （粒子數(shù)：400、c1=2、c2=2、ω=0.8、2000次迭代、20遍）

對算法1，實驗使用的CPN網(wǎng)絡(luò)拓撲如圖2所示。圖2中，每個灰色圓點表示一個CPN節(jié)點，邊表示了CPN節(jié)點的連接情況。實驗中，全部CPN節(jié)點4行5列形式排列，共20個CPN節(jié)點，一個CPN節(jié)點表示一個建筑空間分區(qū)或建筑設(shè)備組件（以下統(tǒng)稱為分區(qū)）。每個CPN節(jié)點只能夠向直接連接的CPN節(jié)點發(fā)送查詢請求，任意兩個不直接連接的CPN節(jié)點不能直接交換數(shù)據(jù)。

圖2 CPN網(wǎng)絡(luò)拓撲結(jié)構(gòu)

實驗中，算法1在Matlab 2016實現(xiàn)。算法1使用分區(qū)結(jié)構(gòu)仿真CPN節(jié)點，各CPN分區(qū)串行調(diào)度，所記錄的運行時間為全部CPN分區(qū)被調(diào)度完成后算法1的運行總時間。

圖3給出了對全部20個CPN節(jié)點，均設(shè)置粒子數(shù)為20、c1=2、c2=2、ω=0.8、迭代次數(shù)為1000時，使用算法1訓練前向神經(jīng)網(wǎng)絡(luò)net擬合目標函數(shù)時擬合精度的分布情況：最小值為5.1218e-04，最大值為5.8891e-04，均值為5.3154e-04，中位值為5.2618e-04，標準差為2.0246e-05。顯然，相較算法2（非分布式粒子群優(yōu)化算法），在迭代次數(shù)、學習因子、總粒子數(shù)、慣性因子一致的前提下，算法1（分布式粒子群優(yōu)化算法）擬合精度性能更高且更穩(wěn)定。全部20個CPN執(zhí)行1次算法一共耗時146.0983秒，考慮到在CPN部署后全部20個CPN分區(qū)的計算任務(wù)將并行執(zhí)行，在不考慮通信開銷的前提下，算法1可以在146.0983/20=7.3049秒左右完成；相較于表1中給出的算法2的平均運行時間（102.0537秒）和表2中給出的算法2的平均運行時間（202.6170秒），算法1的執(zhí)行速度更優(yōu)。

圖3 算法1的擬合精度分布 （20CPN、20粒子/CPN、c1=2、c2=2、ω=0.8、1000次迭代）

為測試每個CPN上的粒子數(shù)以及迭代次數(shù)對算法1性能的影響，實驗固定每個CPN中粒子數(shù)為10、c1=2、c2=2、ω=0.8，算法1將迭代次數(shù)依次從1000增加到20000，每次增加1000操作，使用算法1訓練前向神經(jīng)網(wǎng)絡(luò)net擬合目標函數(shù)的擬合精度情況與總耗時由表3給出。對比表1、表2、表3，就使用粒子群優(yōu)化算法訓練前向神經(jīng)網(wǎng)絡(luò)擬合目標函數(shù)而言，算法1可以使用較少的粒子數(shù)以增加迭代次數(shù)的方式取得優(yōu)于算法2的性能。而由于算法1是基于CPN網(wǎng)絡(luò)分布式執(zhí)行，相較于非分布式粒子群優(yōu)化算法迭代次數(shù)同等的增加，單個CPN中因迭代次數(shù)增加導致的時間消耗增幅并不顯著。

表3 算法1的性能（20CPN、10粒子/CPN、c1=2、c2=2、ω=0.8）

觀察表3中最小值、最大值、均值和方差兩列數(shù)據(jù)還可以發(fā)現(xiàn)，每個CPN使用算法1獲得的最優(yōu)解在擬合精度上具有類似的性能，差異小。算法1是粒子群優(yōu)化算法基于CPN網(wǎng)絡(luò)的分布式實現(xiàn)。從表3可以發(fā)現(xiàn)，在算法1的一次運行結(jié)束后，每個CPN節(jié)點中本地歷史最優(yōu)位置的適應(yīng)度值波動不大，這樣，在算法1執(zhí)行結(jié)束后，本地的最優(yōu)解可以作為全局最優(yōu)解的逼近。

4 總結(jié)與研究展望

針對主流智能建筑管理平臺的縱向集成條塊分割、組網(wǎng)成本高、系統(tǒng)更改擴充變動成本高、用戶難以獲取整體信息、系統(tǒng)魯棒性差的現(xiàn)狀，基于無中心、扁平化理念，新型的群建筑智能化平臺使用CPN網(wǎng)絡(luò)，采用與建筑空間拓撲/建筑機電設(shè)備系統(tǒng)拓撲一致（近似）的網(wǎng)狀拓撲結(jié)構(gòu)的方式破解了智能建筑不同子系統(tǒng)相對獨立產(chǎn)生的條塊分割問題。基于CPN網(wǎng)絡(luò)面向建筑智能化應(yīng)用和建筑節(jié)能應(yīng)用需求，和基于CPN網(wǎng)絡(luò)的拓撲結(jié)構(gòu)，為實現(xiàn)分布式粒子群優(yōu)化算法，本文設(shè)計了本地CPN節(jié)點與鄰居CPN節(jié)點的數(shù)據(jù)交換機制，提出了融合本地最優(yōu)解和鄰居最優(yōu)解的基于區(qū)域最優(yōu)解的粒子位置更新策略。實驗表明，無論是從擬合精度還是從消耗時間角度看，基于CPN網(wǎng)絡(luò)的分布式粒子群優(yōu)化算法具有更高的性能。

本文設(shè)計與實現(xiàn)的基于CPN網(wǎng)絡(luò)的分布式粒子群優(yōu)化算法是CPN網(wǎng)絡(luò)中粒子群優(yōu)化算法實現(xiàn)的一種有效架構(gòu)。結(jié)合特定的應(yīng)用，如區(qū)域內(nèi)建筑設(shè)備控制、傳感器故障檢測、人員分布等，探索該粒子群優(yōu)化算法實現(xiàn)架構(gòu)在新型的群智能建筑平臺中的應(yīng)用值得關(guān)注。

事實上，若將每個CPN的分區(qū)上運行的算法1視作算法2的改進，則基于CPN的分布式粒子群優(yōu)化算法（算法1）的一次運行可以獲得若干個（等于CPN網(wǎng)絡(luò)中CPN節(jié)點數(shù)量）算法2的解，由于每個CPN節(jié)點上算法1的局部最優(yōu)解在擬合精度上具有類似的性能，因此可以將每個CPN節(jié)點上算法1的局部最優(yōu)解是若干個算法2獲得最優(yōu)解的集成，這意味著算法1是一種基于算法2的集成學習方法的實現(xiàn)。進一步，群智能建筑平臺中，基于CPN網(wǎng)絡(luò)的集成決策機制也是值得深入地探索。