采用多蜂群協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鏈的銷售環節提供重要采購參考，還可以為制造環節提供生產方案，增強服裝企業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值法[2]、彩色卡空間位置研究法[3]、灰色系統理論[4-5]、神經網絡[6]以及將灰色系統理論和神經網絡結合而產生的灰色神經網絡組合理論[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同優化效果[12-14]。基于此，本文提出了一種具有層次協同演化機制的統一框架模型，并借此對經典生物啟發式算法加以改進；利用改進算法優化人工神經網絡的權值，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絡模型應用于預測下一年服裝流行色色相環節，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 層次協同演化蜂群優化算法

在人工蜂群算法(ABC)[15-16]的基礎上提出群落層次系統演化統一優化模型，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，實現降維操作。

1.1 層次協同演化模型

構建的優化框架[14]如圖1所示。

圖1 基于生物群體行為的層次優化模型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；環境是指優化的目標函數。

1.2 群落層次演化的多蜂群協同優化算法

1.2.1基于分而治之策略的多種群協同演化

目前，分而治之策略的協同進化主要有2種方法：一種是將函數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映射分解成子函數[17]。本節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K并不是一成不變的，而是按照目標問題維度D的約數集合進行，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為每個子群的最優解。每次迭代如果子代性能優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個體，交換優質食物源，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，種群之間的聯系選擇環形拓撲結構，比較簡單清楚。

步驟2：BPL的父代選擇。為使找到的解最優，必須使其父代最優，所以在精英構建群中選擇2個最優的精英，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。

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

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同優化算法求解高維度問題的性能，本文將采用該算法對BP人工神經網絡(BPNN)中的權值進行優化，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同算法的人工神經網絡(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 蜂群層次協同算法的神經網絡訓練

2.1.1HABCNN訓練過程

2)個體適應度函數計算。訓練網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使用如下公式：

(2)

(3)

輸出神經網絡權值參數獲取。

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

2.1.2曲線擬合測試

逼近函數為f(x)=sinx+1.5sin(2x)，輸入xi為在[0,4π]區間上間隔為0.1的等差數列。選用1輸入1輸出的BP擬合樣本，并確定4為隱形節點數。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方法得到的極端數據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據也呈現這樣一種趨勢，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，數據也更加準確。

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的方法要優于BP方法，其中HABC的性能更為優越。

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同算法優化的神經網絡在收斂速度、學習效率等方面均比傳統算法如BP神經網絡算法[19]、基于人工蜂群算法優化的神經網絡的效果更好。

2.2 采用蜂群協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計分析的基礎上，依據色彩學理論中區間分類劃分邊界值方法對PANTONE色相進行分區，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絡的初始權值wij，范圍限制在0～1之間；2)歷史數據的量化與分析，提煉出10類色彩的歷年比率表；3)改變歷史數據格式，轉化成可用于人工神經網絡訓練的數據結構；4)將訓練數據導入人工神經網絡；5)采用啟發式智能優化算法修改人工神經網絡的傳播權值；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不同隱含層節點數時對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點數發現，節點數為10的預測數值比節點數為6的更逼近期望值。當收斂速度較穩定(即隱藏節點數大于5)時，使用HABCNN預測的色相值更逼近于期望值，精度大大高于傳統神經網絡。采用網絡結構為輸入層3 個節點，隱藏層分別為6個和10個節點，輸出層1個節點的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日在其官方網站上公布了2017年春夏流行色，對其進行色相統計后得到表3。對比發現，采用基于HABCNN模型的預測值為黃、黃紅、紫藍、綠這4個顏色的出現有較高概率(大于10%)，藍色的出現有一定概率(9.6%，接近10%)，紅紫的出現概率非常低(遠小于10%)；而2017年，黃紅色出現3個，綠色出現2個，黃色、紅色、紅紫、紫藍、藍色分別出現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頻率可看出，紅紫色出現的概率一向較低，出現的隨機性較強。

表2 基于BPNN和HABCNN不同隱含層節點數時對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；字母后面的數字代表隱含層的節點數，如H10表示使用HABCNN，隱含節點數為10的預測值；MAE表示平均絕對誤差。

表3 2017年PANTONE發布的春夏流行色的色相統計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同優化算法，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，實現層次演化優化。

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

與傳統預測方法相比，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提供較早和便利的預測信息。

[1] 吳平. 流行色趨勢預測發布和中國發布歷史[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.基于灰色關聯分析的神經網絡模型[J].系統工程理論與實踐，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. 蜜蜂群優化算法用于訓練前饋神經網絡[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.