一種動態自適應麻雀搜索算法及在車聯網駕駛行為識別中的應用

摘" 要： 針對麻雀搜索算法（SSA）跟隨者接近種群內個體最佳位置時收斂速度過快而導致易陷入局部最優的問題，文中提出一種基于動態自適應的改進型麻雀搜索算法（ASSA）。首先，在搜索尋優過程中，對發現者位置和跟隨者位置進行動態更新，為保證算法在迭代后期的收斂速度，警戒者的個數采用線性遞減的方式；其次，為防止算法陷入局部最優而導致的迭代中斷，通過高斯隨機分布形成新的發現者；最后，為驗證改進算法的有效性，利用4種典型的函數進行測試，測試結果與SSA進行對比。結果表明：ASSA能夠有效解決SSA易陷入局部最優的問題，并在收斂速度等性能上得到了有效提升。在此基礎上，將ASSA算法應用到車聯網駕駛行為識別中，通過優化BP神經網絡，使得網絡具有更高的識別準確率和性能。

關鍵詞： 麻雀搜索算法； 動態自適應； BP神經網絡； 駕駛行為識別； 車聯網； 高斯隨機分布

中圖分類號： TN911?34； TP2" " " " " " " " " " " 文獻標識碼： A" " " " " " " " " " " 文章編號： 1004?373X（2024）23?0147?07

Dynamic adaptive sparrow search algorithm and its application

in driving behavior recognition in IoV

TU Youbin1， KAN Xinyu2， WANG Yan1， DENG Zhixiang2

（1. China Information Technology Designing amp; Consulting Institute Co.， Ltd.， Nanjing 210019， China;

2. College of Information Science and Engineering， Hohai University， Changzhou 213251， China）

Abstract： In view of the local optimum caused by the fact that the sparrow search algorithm （SSA） converges too fast when the follower approaches the optimal individual position in the population， this paper proposes an altered sparrow search algorithm （ASSA） based on dynamic adaptation. The positions of the discoverers and the followers are updated dynamically in the process of search and optimizing. Meanwhile， the number of watchmen is decreasing linearly in order to ensure the convergence speed of the algorithm in the later iteration. New producers are generated by Gaussian random distribution， so as to prevent the iteration interruption caused by the fact that the algorithm will fall into local optimum. Four typical functions are used to test the performance of the proposed algorithm to verify its validity. The test results are compared with SSA. The results show that the ASSA can effectively avoid the fact that the SSA is prone to falling into local optimum， and the convergence speed of the ASSA is satisfactory in comparison with that of the SSA. On this basis， the ASSA algorithm is applied to the driving behavior identification in the Internet of Vehicle （IoV）. By optimizing the BP neural network， the ASSA algorithm makes the network have higher recognition accuracy and superior performance.

Keywords： SSA; dynamic adaption; BP neural network; driving behavior recognition; IoV; Gaussian random distribution

0" 引" 言

隨著科學和工程問題的深入研究，對算法的性能優化要求越來越嚴格，傳統的優化算法難以滿足需求。因此，人們通過生物的群集行為，提出了許多群體智能優化問題，其中包括通過粒子追隨找到最優解和整個群的最優解來完成的粒子群優化（Particle Swarm Optimization， PSO）算法；基于改進收斂因子策略和引入動態權重策略以及兩種策略混合改進的灰狼優化（Grey Wolf Optimization， GWO）算法；基于模擬螞蟻尋徑行為的蟻群優化（Ant Colony Optimization， ACO）算法；基于麻雀種群中的覓食行為和反捕食行為提出的麻雀搜索算法（Sparrow Search Algorithm， SSA）等[1?5]。

SSA算法相較于其他群體智能優化算法具有魯棒性強、收斂速度快、易操作等優點，但是SSA算法與其他群體優化算法類似，在跟隨者接近種群內個體最佳位置時，由于其收斂速度過快，會導致種群多樣性降低，算法容易陷入局部最優。為了進一步提高SSA的優化性能，本文提出了一種基于動態自適應的改進型麻雀搜索算法（Altered Sparrow Search Algorithm， ASSA），通過設置一定的選擇概率同時依賴遍歷性隨機數來接近最優位置，這不僅保證了全局的收斂性，而且能夠保證遍歷搜索最優位置的可靠性，不會導致種群多樣性的缺失，從而有效解決算法易陷入局部最優的問題。

本文對標準麻雀搜索算法進行改進，并系統地驗證優化后的算法性能，使用改進型麻雀搜索算法優化標準BP神經網絡模型，并將其應用在車聯網駕駛行為識別檢測上，對識別效果進行全面的對比，驗證了此算法的可行性和有效性。

1" 自適應麻雀搜索算法

1.1" 麻雀搜索算法

麻雀搜索算法是2020年提出的基于麻雀種群搜尋食物區域同時躲避獵食者行為的群智能優化算法[5]，具有較好的全局搜索和局部開發能力。

在SSA算法運行過程中，進行每一次迭代時，發現者的位置更新如式（1）所示：

[xt+1ij=xtij?exp-iα?itermax，" " "R2lt;STxtij+Q?L，" " "R2≥ST] （1）

式中：[t]代表當前迭代數；[j=1，2，…，d]；itermax代表初始化時設置的最大迭代次數；[xtij]代表麻雀種群中第[t]次迭代時第[i]個個體的第[j]維位置；[α]∈（0，1]代表隨機數；[R2]（[R2]∈[0，1]）和ST（ST∈[0.5，1]）代表警戒值與安全值；[Q]為服從標準正態分布的隨機數；[L]代表[1×d]的矩陣，矩陣中各元素均為1。在式（1）中，若[R2]lt;ST，表明當前覓食區域附近無危險，發現者能夠對食物資源進行廣泛搜尋；[R2]≥ST意味著覓食區域有危險，需要立刻前往安全區域進行覓食。

在每次迭代過程中，跟隨者的位置更新描述公式如下：

[xt+1ij=Q?expxtwj-xtiji2，" " " "igt;n 2xtij+xtij-xt+1pj?A+?L，" " " "otherwise] （2）

式中：[xt+1pj]為第[t]+1次迭代時發現者的最優位置；[xtwj]為第[t]次迭代時的全局最差位置；[A]為[1×d]矩陣并且滿足[A+=AT（AAT）-1]，矩陣里各元素采用1或者-1隨機進行賦值。如果[igt;n2]，說明適應度值低的第[i]個跟隨者沒有獲取到食物資源，必須飛向別的區域搜尋食物，獲取個體所需的能量。

跟隨者依據式（1）和式（2）更新自身位置，在麻雀群搜索食物時，若跟隨者察覺到發現者搜尋到更優的食物資源，則會與其進行競爭，一旦戰勝，立刻吞并發現者占有的食物，否則只能繼續執行式（2）。

在模型構建過程中，警戒者的數量占種群的10%～20%，其位置是隨機產生的。根據式（3），在每次迭代的過程中，警戒者位置更新的數學表達式如下：

[xt+1ij=xtij+β?xtij-xtbj，" " " figt;fgxtij+K?xtij-xtwj（fi-fw）+ε，" " " fi=fg] （3）

式中：[xtbj]表示第[t]次迭代時麻雀種群中的最優位置；[β]表示均值為0、方差為1的正態分布，是控制麻雀個體位置移動的隨機數變量；[ fi]、[ fg]、[ fw]分別表示當前麻雀個體的適應度值、全局最優及最差適應度值，[figt;fg]意味著位于種群的邊緣，易被獵食者捕食，[fi=fg]意味著種群內的警戒者察覺到了獵食者的存在，需要立即向安全位置移動；[ε]為常數，避免分母為零；[K]∈[-1，1]為隨機數，既可以體現種群的遷移方位，同樣也是控制麻雀個體位置移動的參數變量。

1.2" 基于動態自適應的改進型麻雀搜索算法

在發現者個體的位置更新公式中，當[R2lt; ]ST時，麻雀個體收斂于當前最優解的方式是直接跳躍到當前最優解附近，當麻雀搜索算法中的跟隨者接近種群內個體的最佳位置時，雖然可以快速收斂，但由于收斂速度過快，會導致種群多樣性降低，算法容易陷入局部最優。通過設置一定的選擇概率，同時依賴遍歷性隨機數來接近最優位置，這不僅保證了全局的收斂性，而且能夠確保遍歷搜索最優位置的可靠性，不會導致種群多樣性的缺失，能夠有效解決算法易陷入局部最優的問題。具體更新規則如下。

1） 發現者位置更新公式修改為：

[xt+1ij=xtij+randn（0，1），" "概率為Psxtij-randn（0，1），" "概率為1-Ps，" R2lt;STxtij+Q?L，" " " " " " " R2≥ST] （4）

式中[Ps]為選擇概率。當[R2lt;ST]時，表示附近沒有天敵，發現者執行廣泛的搜索，在搜索尋優過程中，對發現者位置進行動態更新，規則是：以概率[Ps]采用[xtij+randn（0，1）]進行位置更新，其他采用[xtij-randn（0，1）]進行位置更新；[R2]≥ST時，更新規則和原式相同，randn（0，1）表示均值為0、方差為1的高斯隨機分布。

[Ps]的計算公式為：

[Ps=-exp1-titermax20+θ] （5）

式中[θ]為調整參數，設置為0.05。

2） 跟隨者位置更新公式更改為：

[xt+1ij=Q?expxtwj-xtiji2，" " "igt;n2xtij+xtkj-xtij×F×randn（0，1），" " otherwise] （6）

式中：[xtkj]代表發現者位置；[F]∈[0，1]代表跟隨者跟隨發現者尋找食物的概率。其他情況下跟隨者以一定概率向發現者靠近，隨機數[randn（0，1）]保證了全局的收斂性和種群的多樣性。

3） 警戒者可用于提升SSA算法的全局搜索能力，但若警戒者的個數始終處于恒定狀態，會在一定程度上減緩算法后期的收斂速度，所以對于警戒者個數的更迭，選擇線性遞減的方式。警戒者個數隨迭代次數增加而線性遞減的公式如下：

[Num=int1-titermax×Numi+1] （7）

式中：Num表示當前警戒者數量；[t]表示當前迭代次數；itermax表示最大迭代次數；[Numi]表示初始化時設置的警戒者數量。

4） 針對SSA算法因為陷入局部最優而導致出現的迭代中斷現象，借助高斯隨機分布的方式形成新的發現者個體，新的發現者個體位置定義見式（8）。

[xt+1i=Gaussian（xti，σ）] （8）

[σ=cosπ×t2itermax×xti-x*t（t）] （9）

式中[x*t]代表發現者群體中的任意一只麻雀。隨著算法運行過程中迭代次數的上升，改進算法能夠使算法整體和局部的搜索性能達到均衡。

1.3" SSA算法和ASSA算法性能對比測試

為了進一步體現標準麻雀算法以及改進型麻雀算法的有效性，采用以下4種常見的測試函數對算法性能進行測試。測試函數類型及定義如表1所示。

與目前常見的群智能優化算法相比，SSA具備收斂速度快的優勢。在此基礎上，還需要進一步比較SSA算法和ASSA算法的性能，評估改進后的麻雀搜索算法的優化效果。在進行SSA和ASSA模擬實驗測試之前，必須對SSA和ASSA的各個參數進行設置，以確保自變量完全相同。其中：[n]為麻雀種群總量的數目，取值設為100；PD為發現者占種群總量的比例，取值為40%；SD為警戒者占種群總量的比例，取值為20%；[R2]為預警值，取0.6；迭代次數iter設定為100次；兩種算法運行次數[C]=10次。

為了更加直觀清晰地對比SSA算法和ASSA算法的優化過程及收斂速度，選取表1中4個函數進行對比分析。如圖1所示，[f1（x）]、[f2（x）]為單峰測試函數，[f3（x）]、[f4（x）]為多峰測試函數，對每組測試函數運行10次，取平均值。

如表2所示是SSA算法和ASSA算法的測試對比情況，對4個標準測試函數獨立測試10次得到最優值、平均值、最差值并取其平均值作為結果。

由上述實驗展示的相關測試函數的結果，在相同的測試函數條件下ASSA算法無論是在收斂速度、達到目標值的迭代次數，還是優化過后的平均值、最小值、最大值等各個方面都要優于SSA算法，表明ASSA算法相比SSA算法在性能上得到了有效的提升。

2" 基于ASSA算法的車聯網駕駛行為識別

2.1" 車聯網駕駛行為識別流程

歷史數據表明，近90%的碰撞事故是由駕駛員的錯誤駕駛行為引起的。車輛的智能化網聯化是緩解交通事故、提高公路交通安全性能，保障人身安全及財產的有效技術和手段。對駕駛行為進行分析與預測是智能交通的研究熱點內容之一[6]。車聯網通過現代信息技術采集并融合車輛、路基和駕駛員等信息，通過物聯網實現信息的互聯互通，駕駛行為分析也是車聯網領域的重要研究內容之一，主要方法包括機器學習、深度學習、人工神經網絡[7]、基于注意力機制的識別方法[8]等。

車聯網的重要工作是異常駕駛行為識別、駕駛行為預測和危險行為預警。車聯網利用智能終端（如智能手機、車載OBD終端、行車記錄儀等）攜帶的MEMS慣性傳感器采集表征環境感知、車輛運行動態與駕駛行為的各種傳感器數據[9]，通過神經網絡的訓練，得到各類較為精準的駕駛行為模型，與感知數據關鍵特征匹配后確定其駕駛行為類別，然后進行駕駛行為預測和危險行為預警。車聯網駕駛行為識別流程如圖2所示。

車聯網駕駛行為檢測識別流程主要包括如下步驟：

1） 通過數據感知采集車輛行駛數據，并進行歸一化和去噪；

2） 通過端點檢測算法檢測出駕駛行為的起止點，構建數據的特征向量；

3） 設計并改進分類識別算法，構建數據集對神經網絡模型進行訓練和測試，確定待識別駕駛行為的類別。

相對于傳統模式識別算法，神經網絡算法自動學習特征權重，有效挖掘數據的時空特性，具有準確度高、并行分布處理能力強、分布存儲及學習能力強、對噪聲有較強的魯棒性和容錯能力、能充分逼近復雜的非線性關系等優點。

2.2" ASSA?BP神經網絡算法模型

由于BP神經網絡初始的權值和閾值是隨機選取的，易陷入局部極小值，導致訓練模型的誤差較大，分類識別效果不佳。SSA算法用于改進SVM性能，從而提高檢測精度[10?13]。

本文將ASSA算法用于優化BP神經網絡。首先，利用ASSA算法將BP神經網絡中的權值和閾值映射為種群內麻雀個體位置的適應度值，并對ASSA模型中種群個體適應度值進行尋優；再將ASSA算法輸出的最優適應度值映射為其訓練模型的權值和閾值；然后進行訓練，并計算和評估同BP神經網絡產生的誤差間的關系；最后，將BP神經網絡產生的誤差評價指標反饋給麻雀種群，利用適應度函數進行相應的適應度計算，搜索適應度值更優的麻雀個體。

ASSA?BP算法具體步驟如下。

步驟1：建立BP神經網絡，確定神經網絡拓撲結構。

步驟2：隨機生成初始的權值和閾值并輸入到BP神經網絡中。

步驟3：使用訓練樣本和測試樣本分別對BP神經網絡進行訓練和測試。

步驟4：如果達到訓練精度，測試誤差，并轉至ASSA算法進行種群初始化；如果不滿足訓練精度且沒有達到最大迭代次數，返回至步驟2；如果不滿足訓練精度但達到迭代次數，同樣跳轉至ASSA算法模塊。

步驟5：將權值和閾值映射為麻雀種群內個體的適應度值，并根據適應度函數評估個體。

步驟6：采用動態自適應改進的方法，依據式（4）、式（6）、式（3）分別更新發現者、跟隨者、警戒者的適應度值，利用最優解代替原有解。

步驟7：采用高斯隨機游走策略，依據式（8）、式（9）生成新的發現者個體，引導種群跳出局部最小化，同時利用式（7）對警戒者數量進行調整。

步驟8：選擇最優的適應度解，并判定是否滿足結束條件，若不滿足，則重新返回步驟2進行訓練迭代直到滿足設定的結束條件；若滿足，則將最優的適應度值映射為BP神經網絡最終的權值和閾值進行模型訓練及分類識別。

采用ASSA算法來優化BP神經網絡之前，需要對參數進行如下設置。

1） 設置ASSA算法的最大迭代次數itermax、警戒閾值[R2]、安全值ST。

2） 設置ASSA算法的參數，參數包括解決方案的數量（[Nz]）、麻雀種群的個體總數（[Na]）、發現者的數量（[Nb]）、跟隨者的數量（[Nc]）以及解的維度[D]。

[Na=2Nz=Nb+NcNb=Nc] （10）

[D]維解向量包括神經網絡的權值和閾值，解的維數滿足式（11）。

[D=Ninput×Nhidden+Nhidden×Noutput+Nhidden] （11）

式中：[Ninput]、[Nhidden]、[Noutput]分別表示輸入層、隱含層、輸出層節點數。

3） 跟隨者在現有發現者適應度值的基礎上尋找新的更優適應度值，當跟隨者進行位置更新時，計算該位置的適應度值，適應度值的計算如式（12）所示：

[fitness=argminw， b （MSE）] （12）

4） 警戒者檢查跟隨者的更新位置和報警值，判斷是否需要重新初始化，尋優并實時更新適應度值。種群中麻雀個體重新初始化的定義如式（13）所示：

[Xi=Xmin+randn（0，1）（Xmax-Xmin）] （13）

式中：[Xi]、[Xmax]、[Xmin]分別表示個體重新初始化后的適應度值、種群個體最佳適應度值、種群個體最差適應度值。

全部迭代完成后，得到全局最優解，并將ASSA算法得到的輸出值作為BP神經網絡的初始權值和閾值，使用這些初始參數來訓練BP神經網絡。

2.3" 仿真結果分析

本文在Matlab軟件環境下對數據進行識別和分類仿真。通過數據采集、去噪、歸一化、端點檢測等流程后共獲取了3 250組實驗數據。在實驗中隨機選取2 500組數據作為訓練樣本集，其余750組數據作為測試樣本集。如表3所示，給六種不同的車輛駕駛行為添加樣本標簽，采用均方誤差函數來計算BP神經網絡訓練過程中的誤差值，其數學表達式如式（14）所示：

[MSE=1nmi=1mj=1n（x*ij-xij）2] （14）

式中：[m]是訓練數據的個數；[n]是輸出層節點個數；[x*ij]、[xij]分別是網絡模型的目標輸出值和實際輸出值。

SSA?BP神經網絡以及ASSA?BP神經網絡的最大迭代次數itermax設置為5 000，目標均方誤差值設置為0.001。SSA?BP神經網絡及ASSA?BP神經網絡模型進行訓練時的均方誤差（Mean Squared Error， MSE）曲線如圖3所示。

通過圖3a）能夠發現，在使用SSA?BP神經網絡訓練時，當網絡訓練迭代次數為84次時，其均方誤差達到0.000 951 1，達到設置的訓練精度0.001，并且迭代次數下降非常明顯，此時訓練（Train）的最佳均方誤差與目標均方誤差曲線基本重合。通過圖3b）可知，當使用ASSA?BP神經網絡進行訓練時，均方誤差收斂速度更快，僅經過20次迭代，其訓練（Train）的最小均方誤差就已經達到了設定的目標均方誤差精度0.001。

ASSA?BP的最優適應度和收斂速度都比SSA?BP有所提高，由此可以驗證本文使用ASSA算法優化BP神經網絡參數的有效性。

表4、圖4是兩種網絡結構的分類識別準確率、精確率、召回率、[F1]值、假陽性率的對比。相比于標準BP神經網絡，SSA?BP神經網絡具有更快的收斂速度，對車輛駕駛行為的識別率達到了92.6%；而ASSA?BP神經網絡使用更少的迭代次數便達到預先設定的訓練精度，并且對異常駕駛行為的識別率可達到95%。從表4、圖4b）中能夠看出，本文主要研究的基于ASSA算法優化的BP神經網絡結構在準確率、召回率、[F1]值以及假陽性率各方面要遠好于標準BP神經網絡。

3" 結" 論

本文基于動態自適應的方法對標準的麻雀搜索算法進行改進，系統驗證了改進后的SSA算法具備更快的收斂速度和更好的尋優能力。采用4種常見的測試函數對ASSA進行測試，比較SSA算法和ASSA算法的性能，實驗結果表明，在相同的測試函數條件下，ASSA算法相比于SSA算法在性能上得到了有效的提升。

基于改進后的SSA算法構建ASSA?BP神經網絡模型，在車聯網駕駛行為識別的BP神經網絡訓練過程中具有更好的學習效率和泛化能力。最后對SSA?BP和ASSA?BP兩種網絡模型的駕駛行為識別準確率和性能進行對比，結果表明，經過ASSA算法優化之后的BP神經網絡模型對車聯網駕駛行為擁有更高的識別準確率和更好的性能。

參考文獻

[1] 郭振洲，劉然，拱長青，等.基于灰狼算法的改進研究[J].計算機應用研究，2017，34（12）：3603?3606.

[2] 呂鑫，慕曉冬，張鈞，等.混沌麻雀搜索優化算法[J].北京航空航天大學學報，2021，47（8）：1712?1720.

[3] 嚴浩洲，劉旺盛，蔡振亮，等.改進麻雀搜索算法及其應用研究[J].東莞理工學院學報，2022，29（5）：60?68.

[4] 張永，陳鋒.一種改進的鯨魚優化算法[J].計算機工程，2018，44（3）：208?213.

[5] XUE J K， SHEN B. A novel swarm intelligence optimization approach： Sparrow search algorithm [J]. Systems science amp; control engineering， 2020， 8（1）： 22?34.

[6] ANG L M， SENG K P， IJEMARU G K. Deployment of IoV for smart cities： Applications， architecture， and challenges [J]. IEEE access， 2018， 7： 6473?6492.

[7] 黃江濤，王鑫，喬少杰.面向車聯網的自適應危險駕駛行為分析與預測框架[J].無線電工程，2023，53（6）：1311?1320.

[8] WAND L L， YAO W J， CHEN C. Driving behavior recognition algorithm combining attention mechanism and lightweight network [J]. Entropy， 2022， 24（7）： 984.

[9] LIU G Y， SHU C， LIANG Z W. A modified sparrow search algorithm with application in 3D route planning for UAV [J]. Sensors， 2021， 21（4）： 1224?1235.

[10] 王海峰，行鴻彥，陳夢，等.基于SSA?SVM的海雜波背景下小信號檢測方法[J].電子測量與儀器學報，2022，36（4）：24?31.

[11] 謝國民，藺曉雨.基于改進SSA優化MDS?SVM的變壓器故障診斷方法[J].控制與決策，2023，38（2）：459?467.

[12] 李英順，張國瑩，張楊，等.基于SSA算法優化SVM的發動機潤滑油信息狀態評估[J].潤滑與密封，2023，48（2）：129?134.

[13] 申志，李元.基于KPCA和SSA優化SVM的非線性過程故障檢測[J].計算機與現代化，2023（6）：15?20.

作者簡介：涂友斌（1981—），男，江蘇南通人，碩士研究生，高級工程師，研究方向為通信網絡優化及智能算法。

闞欣宇（1999—），男，安徽合肥人，碩士研究生，主要研究方向為智能信號處理。

王" 巖（1983—），男，江蘇泰州人，碩士研究生，高級工程師，研究方向為通信網絡優化及智能算法。

鄧志祥（1980—），男，江蘇南通人，博士研究生，副教授，主要研究方向為物聯網技術、人工智能。