基于人工智能技術(shù)光通信傳感器的自動控制

周滟

(四川信息職業(yè)技術(shù)學(xué)院,網(wǎng)絡(luò)與通信學(xué)院， 四川，廣元 628040)

0 引言

隨著光理論和通信技術(shù)的不斷發(fā)展、成熟，出現(xiàn)了光通信傳感器，相對于其他類型的傳感器，光通信傳感器的抗干擾能力更強(qiáng)，更加穩(wěn)定可靠[1-3]。隨著光傳輸網(wǎng)絡(luò)快速發(fā)展，人們對光通信傳感器的性能要求越來越高，同時受到外界環(huán)境的影響 ，光通信傳感器的輸出結(jié)果有時受到干擾，為此需要對光通信傳感器進(jìn)行自動控制，提高其輸出效果[4-6]。

針對光通信傳感器自動控制問題，國外的研究歷史比較長，光通信傳感器自動控制技術(shù)也比較成熟；國內(nèi)光通信傳感器自動控制的研究歷史比較短，控制技術(shù)還不太成熟，光通信傳感器自動控制方法非常局限[7-9]。如：有學(xué)者[10-11]提出了采用實時功率反饋的光通信傳感器控制方法，該方法控制波形有非線性失真，導(dǎo)致光通信傳感器控制效果不佳；有學(xué)者[12]提出了波前誤差的建模的光通信傳感器控制方法，由于該方法計算復(fù)雜導(dǎo)致光通信傳感器自動控制精度低；近些年，有學(xué)者[13-15]提出了基于遺傳算法、粒子群算法等光通信傳感器自動控制方法，它們通過不斷的迭代找到光通信傳感器控制參數(shù)最優(yōu)值，從而實現(xiàn)光通信傳感器自動控制。但在實際應(yīng)用這些算法還存在一些不足，如搜索效率低、光通信傳感器自動控制效果有待進(jìn)一步改善。

因此,本文研究基于人工智能技術(shù)的光通信傳感器自動控制方法。該方法可按照光通信傳感器的輸出性能、粒子激勵調(diào)整參數(shù)，增強(qiáng)參數(shù)自適應(yīng)匹配，實現(xiàn)光通信傳感器的自動控制。

1 基于人工智能技術(shù)的光通信傳感器自動控制

1.1 改進(jìn)粒子群優(yōu)化算法

粒子群算法是一種模擬鳥群搜索食物的人工智能技術(shù)，粒子群優(yōu)化算法解決群體問題，群體內(nèi)個體轉(zhuǎn)到最佳位置是按照對環(huán)境的適應(yīng)度實施的移動，在多維空間內(nèi)搜索飛行粒子，按照經(jīng)驗對粒子飛行實施微調(diào)。

1.1.1 傳統(tǒng)粒子群優(yōu)化算法

在1個n維搜索空間內(nèi)，群體由m個粒子構(gòu)成，第i個粒子最佳位置為Pi=(pi1,pi2,…,pin)；第i個粒子的位置為Xi=(xi1,xi2,…,xin)，其中i=(1,2,…,m)；粒子速度為Vi=(vi1,vi2,…,vin)，對應(yīng)的適應(yīng)值在最小化問題中與目標(biāo)函數(shù)值呈反比。f(x)表示最小化的目標(biāo)函數(shù)，通過目標(biāo)函數(shù)得出粒子i的最佳位置計算公式為

(1)

式中，t表示迭代次數(shù)。通過單個粒子最佳位置計算全局最佳位置，即群體內(nèi)全部粒子路過的最佳位置，計算公式為

Pg(t)∈{P0(t),P1(t),…,Pm(t)}|f(Pg(t))=

min{f(P0(t)),f(P1(t)),…,f(Pm(t))}

(2)

基本粒子群進(jìn)化方程，如式(3)：

(3)

其中,rand1()、rand2()表示相互獨立[0,1]間的隨機(jī)數(shù),a1表示“認(rèn)知”加速常數(shù),a2表示“社會”加速常數(shù),vi(t)表示第t代第i個粒子的速度,xi(t)表示第t代第i個粒子的位置。

隨機(jī)生成粒子群初始速度與位置，依據(jù)式(3)實施迭代求出最優(yōu)解。在每代內(nèi)，粒子由全種群的最優(yōu)解與粒子自身的最優(yōu)解組成的跟蹤極值。利用隕性權(quán)重對粒子群進(jìn)化算法進(jìn)行優(yōu)化和改進(jìn)，具體如下：

(4)

式中，w表示慣性權(quán)重，采用該方法是為了提升算法的查詢能力及結(jié)果的精確度。當(dāng)慣性權(quán)重低時，局部收斂能力高；當(dāng)慣性權(quán)重高時，全局收斂能力較佳。線性遞減權(quán)重策略具體如下:

(5)

利用引入收縮因子的粒子群優(yōu)化算法模型，控制微粒的飛行速度，該模型表示如下：

(6)

其中,c為收縮因子。傳統(tǒng)算法對速度進(jìn)行控制，但是該粒子群算法也存在不足，如收斂過早，得到的解是局部最優(yōu)解等。

1.2 本文改進(jìn)的粒子群算法

在傳統(tǒng)算法的基礎(chǔ)上，可以采用協(xié)同進(jìn)化算法提升全局收斂效率。通過將整個群體分成多個子群體，各子群體內(nèi)都有獨立個體的解。局部搜索全部子群體發(fā)現(xiàn)最佳個體遷移，以此完成共享信息進(jìn)化。粒子群劃分為多個子群體，根據(jù)協(xié)同進(jìn)化算法的劃分方法，提出基于專業(yè)化分工的策略，提高粒子群的群體適應(yīng)環(huán)境能力。專業(yè)化分工的策略：設(shè)定m個粒子構(gòu)成粒子群，將粒子群分為開采者(Q1)子群體、開采者(Q2)子群體、探索者(Q3)子群體。

當(dāng)慣性權(quán)重為0.3時，構(gòu)成Q1子群體，此時子群的收斂迭代進(jìn)行速度最快，具體為

(7)

w=0.3

通過“社會模型”構(gòu)成Q2子群，收縮因子為0時，即c=0，當(dāng)慣性權(quán)重為0.7時，Q2子群開始配合Q1進(jìn)行迭代。此時,Q2子群進(jìn)行收斂的最佳時機(jī)，具體為

vij(t+1)=wvij(t)+a2rand2()(pij(t)-xij(t))

(8)

w=0.7

當(dāng)慣性權(quán)重為0.9時，形成探索者Q3子群。此時,Q3通過全局搜索能力進(jìn)行迭代，三者同時進(jìn)行，運(yùn)行效率最高的時候，具體為

(9)

w=0.9

專業(yè)化分工的策略流程：將群體分成幾個子群體，對子群體實施專業(yè)化社會分工，采用“社會”加速常數(shù)a2和全局最佳位置，實現(xiàn)子群體間的粒子信息交換。開采者Q2子群體實施全局搜索，在個體與全局最佳位置的小范圍里搜索，發(fā)現(xiàn)新的最佳位置并收斂到這個最佳位置，實現(xiàn)子群體Q2分工。開采者Q1子群體實施局部快速搜索，在個體與全局最佳位置的小范圍里搜索，同時快速收斂實現(xiàn)子群體Q1分工。探索者Q3子群體實施全局搜索，大范圍搜索個體與全局最佳位置，發(fā)現(xiàn)新的最佳位置，使子群體Q1和子群體Q2移動至新的最佳位置實現(xiàn)子群體Q3分工。

為了提升粒子群的尋優(yōu)效率，采用專業(yè)化分工的改進(jìn)策略實施群體劃分，各子群體專業(yè)分工協(xié)作完成尋優(yōu)。

1.3 人工智能技術(shù)的光通信傳感器自動控制流程

光通信傳感器自動控制的輸出向量與輸入向量分別用y(t)、r(t)描述。因為光通信傳感器自動控制的輸出向量與輸入向量間存在誤差，誤差用b(t)=y(t)-r(t)描述。采用人工智能技術(shù)中的粒子群優(yōu)化算法實施光通信傳感器自動控制，增強(qiáng)光通信傳感器自動控制精度?；谌斯ぶ悄芗夹g(shù)的光通信傳感器自動控制流程，如圖1所示。

圖1 人工智能技術(shù)的光通信傳感器自動控制流程

通過圖1可知,基于人工智能技術(shù)的光通信傳感器自動控制流程如下。

step1 采用改進(jìn)粒子群優(yōu)化算法設(shè)計光通信傳感器自動控制的傳遞函數(shù)，傳遞函數(shù)用式(10)描述：

(10)

step2 設(shè)置光通信傳感器自動控制的參數(shù)范圍。

step3 將相關(guān)參數(shù)實施初始化，光通信傳感器自動控制的參數(shù)用1個粒子描述。

step4 計算出光通信傳感器自動控制的期望輸出與實際輸出值間的誤差b(t)。

step5 按照誤差b(t)調(diào)整光通信傳感器自動控制的參數(shù)。

step6 為了增加迭代次數(shù)，需要更新操作粒子狀態(tài)。

step7 種群和粒子的最優(yōu)狀態(tài)是按照目標(biāo)函數(shù)值實施更新操作。目標(biāo)函數(shù)，用式(11)描述：

(11)

step8 若迭代次數(shù)大于改進(jìn)粒子群優(yōu)化算法設(shè)置的最大迭代次數(shù)，則結(jié)束運(yùn)行。

step9 按照最優(yōu)控制參數(shù)實施光通信傳感器自動控制。

2 仿真實驗結(jié)果分析

2.1 實驗環(huán)境設(shè)置

為了測試人工智能技術(shù)的光通信傳感器自動控制效果，選取一個通信傳感器作為測試對象，采用MATLAB 2017作為仿真工具箱，選擇遺傳算法的光通信傳感器控制方法、傳統(tǒng)粒子群算法的光通信傳感器控制方法進(jìn)行對比測試。參數(shù)設(shè)置：粒子群規(guī)模是100;慣性權(quán)重w=0.5;最大迭代次數(shù)是200;“社會”加速常數(shù)a2和“認(rèn)知”加速常數(shù)a1為a1=a2=1.3;收縮因子c=0.5。光通信傳感器的一組參數(shù)設(shè)定為K1、K2、K3。

2.2 控制參數(shù)分析

運(yùn)用本文方法優(yōu)化光通信傳感器目標(biāo)函數(shù)ITAE變化曲線如圖2所示。本文方法優(yōu)化3個參數(shù)變化結(jié)果如圖3所示。對圖2和圖3結(jié)果進(jìn)行分析可知，目標(biāo)函數(shù)ITAE在優(yōu)化過程中逐漸降低，采用本文方法收斂速度快，在第100次迭代時完成收斂，本文方法自動控制下，可為光通信傳感器選擇合理的K1、K2、K3傳遞函數(shù)，使光通信傳感器的K1、K2、K3參數(shù)與期望參數(shù)值一致，在第100次迭代后，參數(shù)值趨于平穩(wěn)控制效果好。

采用3種方法對光通信傳感器自動控制參數(shù)與目標(biāo)函數(shù)調(diào)整對比結(jié)果如表1所示。對表1進(jìn)行分析可知,采用本文方法對光通信傳感器參數(shù)實施優(yōu)化時，結(jié)果要優(yōu)于遺傳算法、傳統(tǒng)粒子群算法的控制結(jié)果，在相同的迭代次數(shù)下，本文方法比遺傳算法、傳統(tǒng)粒子群算法更能快速找到最優(yōu)值和最優(yōu)狀態(tài)，并與期望參數(shù)值及目標(biāo)函數(shù)一致。

2.3 控制精度分析

采用本文方法與幅度調(diào)制方法、波前誤差的建?？刂品椒ǚ謩e對一個光通信傳感器的100個數(shù)據(jù)實施10次實驗，分析光通信傳感器自動控制精度，對比結(jié)果如圖4所示。由圖4對比結(jié)果可知,本文方法比其他2種方法具有顯著優(yōu)勢，采用本文方法對光通信傳感器自動控制平均精度為95%，比遺傳算法、傳統(tǒng)粒子群算法的控制精度高，有效降低了光通信傳感器自動控制誤差，本文方法獲得了理想的光通信傳感器自動控制效果。

圖2 目標(biāo)函數(shù)ITAE變化曲線

圖3 K1、K2、K3優(yōu)化曲線

表1 3種方法參數(shù)與目標(biāo)函數(shù)對比結(jié)果

圖4 控制精度對比

2.4 控制效率分析

統(tǒng)計采用3種方法光通信傳感器自動控制時間，如圖5所示。由圖5的對比結(jié)果可知,本文方法對光通信傳感器的平均控制時間短，比采用遺傳算法、傳統(tǒng)粒子群算法的控制平均控制時間減少很多。因此，本文方法對光通信傳感器自動控制時間最短、速度最快、效率最佳。

圖5 控制時間對比結(jié)果

2.5 方法的穩(wěn)定性分析

采用本文方法與遺傳算法、傳統(tǒng)粒子群算法在光通信傳感器自動控制穩(wěn)定性實施對比實驗，設(shè)置3種方法的工作時間均為120 s，每間隔10 s記錄一次數(shù)據(jù)結(jié)果，穩(wěn)定性測試結(jié)果如圖6所示。由圖6結(jié)果可知,本文方法比其他2種方法穩(wěn)定性具有顯著優(yōu)勢，采用本文方法對光通信傳感器自動控制參數(shù)方面的平均穩(wěn)定性超過95%，比遺傳算法、傳統(tǒng)粒子群算法控制平均穩(wěn)定性高，因此本文方法對光通信傳感器控制具有較高的穩(wěn)定性。

圖6 不同方法的穩(wěn)定性測試

3 總結(jié)

為了提高光通信傳感器自動控制效率，提出基于人工智能技術(shù)的光通信傳感器自動控制方法，引入改進(jìn)粒子群優(yōu)化算法對光通信傳感器自動控制參數(shù)實施控制，實驗結(jié)果表明,本文方法對光通信傳感器參數(shù)實施實時調(diào)整，提高光通信傳感器的精度及穩(wěn)定性，具有十分廣泛的應(yīng)用前景。