基于人工智能技術光通信傳感器的自動控制

周滟

(四川信息職業技術學院,網絡與通信學院， 四川，廣元 628040)

0 引言

隨著光理論和通信技術的不斷發展、成熟，出現了光通信傳感器，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，更加穩定可靠[1-3]。隨著光傳輸網絡快速發展，人們對光通信傳感器的性能要求越來越高，同時受到外界環境的影響 ，光通信傳感器的輸出結果有時受到干擾，為此需要對光通信傳感器進行自動控制，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也比較成熟；國內光通信傳感器自動控制的研究歷史比較短，控制技術還不太成熟，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，導致光通信傳感器控制效果不佳；有學者[12]提出了波前誤差的建模的光通信傳感器控制方法，由于該方法計算復雜導致光通信傳感器自動控制精度低；近些年，有學者[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最優值，從而實現光通信傳感器自動控制。但在實際應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一步改善。

因此,本文研究基于人工智能技術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、粒子激勵調整參數，增強參數自適應匹配，實現光通信傳感器的自動控制。

1 基于人工智能技術的光通信傳感器自動控制

1.1 改進粒子群優化算法

粒子群算法是一種模擬鳥群搜索食物的人工智能技術，粒子群優化算法解決群體問題，群體內個體轉到最佳位置是按照對環境的適應度實施的移動，在多維空間內搜索飛行粒子，按照經驗對粒子飛行實施微調。

1.1.1 傳統粒子群優化算法

在1個n維搜索空間內，群體由m個粒子構成，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)，對應的適應值在最小化問題中與目標函數值呈反比。f(x)表示最小化的目標函數，通過目標函數得出粒子i的最佳位置計算公式為

(1)

式中，t表示迭代次數。通過單個粒子最佳位置計算全局最佳位置，即群體內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)

基本粒子群進化方程，如式(3)：

(3)

其中,rand1()、rand2()表示相互獨立[0,1]間的隨機數,a1表示“認知”加速常數,a2表示“社會”加速常數,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。

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

(4)

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

(5)

利用引入收縮因子的粒子群優化算法模型，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。傳統算法對速度進行控制，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解等。

1.2 本文改進的粒子群算法

在傳統算法的基礎上，可以采用協同進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，各子群體內都有獨立個體的解。局部搜索全部子群體發現最佳個體遷移，以此完成共享信息進化。粒子群劃分為多個子群體，根據協同進化算法的劃分方法，提出基于專業化分工的策略，提高粒子群的群體適應環境能力。專業化分工的策略：設定m個粒子構成粒子群，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。

當慣性權重為0.3時，構成Q1子群體，此時子群的收斂迭代進行速度最快，具體為

(7)

w=0.3

通過“社會模型”構成Q2子群，收縮因子為0時，即c=0，當慣性權重為0.7時，Q2子群開始配合Q1進行迭代。此時,Q2子群進行收斂的最佳時機，具體為

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

(8)

w=0.7

當慣性權重為0.9時，形成探索者Q3子群。此時,Q3通過全局搜索能力進行迭代，三者同時進行，運行效率最高的時候，具體為

(9)

w=0.9

專業化分工的策略流程：將群體分成幾個子群體，對子群體實施專業化社會分工，采用“社會”加速常數a2和全局最佳位置，實現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，發現新的最佳位置并收斂到這個最佳位置，實現子群體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，發現新的最佳位置，使子群體Q1和子群體Q2移動至新的最佳位置實現子群體Q3分工。

為了提升粒子群的尋優效率，采用專業化分工的改進策略實施群體劃分，各子群體專業分工協作完成尋優。

1.3 人工智能技術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。采用人工智能技術中的粒子群優化算法實施光通信傳感器自動控制，增強光通信傳感器自動控制精度?；谌斯ぶ悄芗夹g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,基于人工智能技術的光通信傳感器自動控制流程如下。

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

(10)

step2 設置光通信傳感器自動控制的參數范圍。

step3 將相關參數實施初始化，光通信傳感器自動控制的參數用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)調整光通信傳感器自動控制的參數。

step6 為了增加迭代次數，需要更新操作粒子狀態。

step7 種群和粒子的最優狀態是按照目標函數值實施更新操作。目標函數，用式(11)描述：

(11)

step8 若迭代次數大于改進粒子群優化算法設置的最大迭代次數，則結束運行。

step9 按照最優控制參數實施光通信傳感器自動控制。

2 仿真實驗結果分析

2.1 實驗環境設置

為了測試人工智能技術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、傳統粒子群算法的光通信傳感器控制方法進行對比測試。參數設置：粒子群規模是100;慣性權重w=0.5;最大迭代次數是200;“社會”加速常數a2和“認知”加速常數a1為a1=a2=1.3;收縮因子c=0.5。光通信傳感器的一組參數設定為K1、K2、K3。

2.2 控制參數分析

運用本文方法優化光通信傳感器目標函數ITAE變化曲線如圖2所示。本文方法優化3個參數變化結果如圖3所示。對圖2和圖3結果進行分析可知，目標函數ITAE在優化過程中逐漸降低，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，使光通信傳感器的K1、K2、K3參數與期望參數值一致，在第100次迭代后，參數值趨于平穩控制效果好。

采用3種方法對光通信傳感器自動控制參數與目標函數調整對比結果如表1所示。對表1進行分析可知,采用本文方法對光通信傳感器參數實施優化時，結果要優于遺傳算法、傳統粒子群算法的控制結果，在相同的迭代次數下，本文方法比遺傳算法、傳統粒子群算法更能快速找到最優值和最優狀態，并與期望參數值及目標函數一致。

2.3 控制精度分析

采用本文方法與幅度調制方法、波前誤差的建?？刂品椒ǚ謩e對一個光通信傳感器的100個數據實施10次實驗，分析光通信傳感器自動控制精度，對比結果如圖4所示。由圖4對比結果可知,本文方法比其他2種方法具有顯著優勢，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 目標函數ITAE變化曲線

圖3 K1、K2、K3優化曲線

表1 3種方法參數與目標函數對比結果

圖4 控制精度對比

2.4 控制效率分析

統計采用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 控制時間對比結果

2.5 方法的穩定性分析

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

圖6 不同方法的穩定性測試

3 總結

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的光通信傳感器自動控制方法，引入改進粒子群優化算法對光通信傳感器自動控制參數實施控制，實驗結果表明,本文方法對光通信傳感器參數實施實時調整，提高光通信傳感器的精度及穩定性，具有十分廣泛的應用前景。