基于人工鱼群和差分进化的照明方案设计方法和装置

1.本发明涉及照明方案设计技术领域，特别涉及一种基于人工鱼群和差分进化的照明方案设计方法和装置。


背景技术：

2.目前常见的设计照明方案的方法是，依赖照明设计师的经验估算得出初始方案，然后通过对初始方案重复“模拟-调整-再模拟-再调整”的过程获取最终方案，流程费时费力，且不易同时应对多项指标要求。
3.另外还有一种照明方案的设计方法是逆设计，即以系统的预期性能作为输入，以设计参数作为输出，利用启发式算法生成可行的设计方案。其中常见的用于解决照明逆设计问题的启发式算法有遗传算法、差分进化算法、粒子群算法、蚁群算法、退火算法、人工鱼群算法等。但上述算法不同程度上存在收敛速度慢、易陷入局部最优解的缺点，因此基于上述算法进行逆设计仍然存在效率较低，最终输出的照明方案不能准确的满足需求等问题。


技术实现要素：

4.针对上述现有技术的缺点，本发明提供一种基于人工鱼群和差分进化的照明方案设计方法和装置，以提供一种高效且准确的照明方案设计方法。
5.本技术第一方面提供一种基于人工鱼群和差分进化的照明方案设计方法，包括：
6.确定照明设计指标的参考值和目标照明空间的前置信息；其中，所述前置信息包括所述目标照明空间的尺寸信息，形态信息，灯具布置范围信息和照明工作面；
7.初始化待优化种群和算法参数；其中，所述待优化种群包括多个个体，每一个所述个体均包括一组用于决定照明方案的决策变量；
8.基于差分进化算法对所述待优化种群进行迭代优化，直至优化代数达到预设的模式阈值为止；
9.执行模式切换，并基于差分进化算法和人工鱼群算法对所述待优化种群中的个体进行迭代优化，直至所述优化代数达到预设的终止阈值为止；其中，所述模式切换仅在所述优化代数达到所述模式阈值时执行一次；所述人工鱼群算法用于优化所述待优化种群中的未改善个体；所述未改善个体是指，基于差分进化算法进行迭代优化时未被更新的个体；
10.选择所述待优化种群中的最优个体所包含的一组决策变量及变量值作为适用于所述目标照明空间的照明方案的决策变量及变量值；其中，所述最优个体，为所述待优化种群的所有个体中对应的目标函数值最小的个体；所述个体的目标函数值，根据所述参考值和所述个体对应的照明设计指标的个体值确定；所述个体对应的照明设计指标的个体值根据所述个体所包含的一组决策变量及变量值和所述目标照明空间的前置信息确定。
11.可选的，所述基于差分进化算法对所述待优化种群进行迭代优化，直至优化代数达到预设的模式阈值为止，包括：
12.针对所述待优化种群中的每一个所述个体，依次执行变异，交叉和选择操作；
13.其中，所述变异操作用下述公式表示：
[0014]vi
＝x
r1
f(x
r2-x
r3
)
[0015]
i为被执行变异操作的个体的编号，vi为变异操作获得的中间个体，x
r1
至x
r3
为所述待优化种群除个体xi以外的任意三个互不相同的个体，f为预设的比例因子；
[0016]
所述交叉操作用下述公式表示：
[0017][0018]
x
ij
，v
ij
和u
ij
依次表示个体xi，对应中间个体vi和变异个体ui的第j个决策变量，rand(0，1)为大于0且小于1的随机数，cr为预设的交叉率；
[0019]
所述选择操作包括，对任一个体xi，若个体xi的目标函数值大于对应的变异个体ui的目标函数值，将个体xi替换为变异个体ui；
[0020]
将所述优化代数递增1，返回执行所述针对所述待优化种群中的每一个所述个体，依次执行变异，交叉和选择操作步骤，直至所述优化代数等于所述模式阈值为止。
[0021]
可选的，基于人工鱼群算法对所述待优化种群中的未改善个体进行迭代优化的过程，包括：
[0022]
针对每一个所述未改善个体执行优化操作；
[0023]
其中，所述优化操作包括：
[0024]
判断所述未改善个体的聚群行为是否成功，并判断所述未改善个体的追尾行为是否成功；
[0025]
若所述未改善个体的聚群行为和追尾行为中有且仅有一个行为成功，根据成功的行为更新所述未改善个体；
[0026]
若所述未改善个体的聚群行为和追尾行为均成功，根据所述聚群行为和所述追尾行为中对应的目标函数值较小的行为更新所述未改善个体；
[0027]
若所述未改善个体的聚群行为和追尾行为均未成功，结束优化操作；
[0028]
所有所述未改善个体的优化操作均完成后，更新鱼群参数，并确定优化代数是否小于预设的终止阈值；将所述优化代数递增1，返回执行所述基于差分进化算法和人工鱼群算法对所述待优化种群中的个体进行迭代优化步骤，直至所述优化代数等于所述终止阈值为止。
[0029]
可选的，所述判断所述未改善个体的聚群行为是否成功，包括：
[0030]
对每一所述未改善个体xi，基于下述公式确定所述未改善个体xi的邻域中心x
i，center
：
[0031][0032]
x
i，l
，x
i，r
，x
i，u
和x
i，d
为个体矩阵中所述未改善个体xi的冯诺依曼邻域；其中，所述个体矩阵由所述待优化种群中所有个体组成；
[0033]
若所述未改善个体xi的目标函数值大于的所述邻域中心x
i，center
的目标函数值，确定所述未改善个体xi的聚群行为成功；
[0034]
若所述未改善个体xi的目标函数值不大于的所述邻域中心x
i，center
的目标函数值，
确定所述未改善个体xi的聚群行为未成功。
[0035]
可选的，所述判断所述未改善个体的追尾行为是否成功，包括：
[0036]
对每一个所述未改善个体xi，基于下述公式确定所述未改善个体xi对应的追尾个体x
i，follow
：
[0037]
x
i，follow
＝argmin(h(x
i，l
)，h(x
i，r
)，h(x
i，u
)，h(x
i，d
))
[0038]
h(x)表示预设的目标函数。argmin表示选取使目标函数h的值最小的个体；
[0039]
若所述未改善个体xi的目标函数值大于所述追尾个体x
i，follow
的目标函数值，确定所述未改善个体xi的追尾行为成功；
[0040]
若所述未改善个体xi的目标函数值不大于所述追尾个体x
i，follow
的目标函数值，确定所述未改善个体xi的追尾行为未成功。
[0041]
可选的，确定所述决定照明方案的决策变量的过程包括：
[0042]
根据照明方案的设计条件，确定灯具配光信息和灯具形态信息，并根据所述灯具配光信息和所述灯具形态信息，确定所用灯具型号；
[0043]
在所述灯具配光信息和所述灯具形态信息的限制下，确定灯具布置基本规则，并抽取控制照明方案的参数作为备选决策变量；
[0044]
将所述备选决策变量中可供调整的参数确定为决策变量。
[0045]
本技术第二方面提供一种基于人工鱼群和差分进化的照明方案设计装置，包括：
[0046]
确定单元，用于确定照明设计指标的参考值和目标照明空间的前置信息；其中，所述前置信息包括所述目标照明空间的尺寸信息，形态信息，灯具布置范围信息和照明工作面；
[0047]
初始化单元，用于初始化待优化种群和算法参数；其中，所述待优化种群包括多个个体，每一个所述个体均包括一组用于决定照明方案的决策变量；
[0048]
第一优化单元，用于基于差分进化算法对所述待优化种群进行迭代优化，直至优化代数达到预设的模式阈值为止；
[0049]
第二优化单元，用于执行模式切换，并基于差分进化算法和人工鱼群算法对所述待优化种群中的个体进行迭代优化，直至所述优化代数达到预设的终止阈值为止；其中，所述模式切换仅在所述优化代数达到所述模式阈值时执行一次；所述人工鱼群算法用于对所述待优化种群中的未改善个体进行优化；所述未改善个体是指，基于差分进化算法进行迭代优化时未被更新的个体；
[0050]
选择单元，用于选择所述待优化种群中的最优个体所包含的一组决策变量及变量值作为适用于所述目标照明空间的照明方案的决策变量及变量值；其中，所述最优个体，为所述待优化种群的所有个体中对应的目标函数值最小的个体；所述个体的目标函数值，根据所述参考值和所述个体对应的照明设计指标的个体值确定；所述个体对应的照明设计指标的个体值根据所述个体所包含的一组决策变量及变量值和所述目标照明空间的前置信息确定。
[0051]
可选的，所述第一优化单元基于差分进化算法对所述待优化种群进行迭代优化，直至优化代数达到预设的模式阈值为止时，具体用于：
[0052]
针对所述待优化种群中的每一个所述个体，依次执行变异，交叉和选择操作；
[0053]
其中，所述变异操作用下述公式表示：
[0054]vi
＝x
r1
f(x
r2-x
r3
)
[0055]
i为被执行变异操作的个体的编号，vi为变异操作获得的中间个体，x
r1
至x
r3
为所述待优化种群除个体xi以外的任意三个互不相同的个体，f为预设的比例因子；
[0056]
所述交叉操作用下述公式表示：
[0057][0058]
x
ij
，v
ij
和u
ij
依次表示个体xi，对应中间个体vi和变异个体ui的第j个决策变量，rand(0，1)为大于0且小于1的随机数，cr为预设的交叉率；
[0059]
所述选择操作包括，对任一个体xi，若个体xi的目标函数值大于对应的变异个体ui的目标函数值，将个体xi替换为变异个体ui；
[0060]
将所述优化代数递增1，返回执行所述针对所述待优化种群中的每一个所述个体，依次执行变异，交叉和选择操作步骤，直至所述优化代数等于所述模式阈值为止。
[0061]
可选的，所述第二优化单元基于人工鱼群算法对所述待优化种群中的未改善个体进行迭代优化时，具体用于：
[0062]
针对每一个所述未改善个体执行优化操作；
[0063]
其中，所述优化操作包括：
[0064]
判断所述未改善个体的聚群行为是否成功，并判断所述未改善个体的追尾行为是否成功；
[0065]
若所述未改善个体的聚群行为和追尾行为中有且仅有一个行为成功，根据成功的行为更新所述未改善个体；
[0066]
若所述未改善个体的聚群行为和追尾行为均成功，根据所述聚群行为和所述追尾行为中对应的目标函数值较小的行为更新所述未改善个体；
[0067]
若所述未改善个体的聚群行为和追尾行为均未成功，结束优化操作；
[0068]
所有所述未改善个体的优化操作均完成后，更新鱼群参数，并确定优化代数是否小于预设的终止阈值；将所述优化代数递增1，返回执行所述基于差分进化算法和人工鱼群算法对所述待优化种群中的个体进行迭代优化步骤，直至所述优化代数等于所述终止阈值为止。
[0069]
本技术提供一种基于人工鱼群和差分进化的照明方案设计方法和装置，方法包括，确定照明设计指标的参考值和目标照明空间的前置信息；其中，前置信息包括目标照明空间的尺寸信息，形态信息，灯具布置范围信息和照明工作面；初始化待优化种群和算法参数；其中，待优化种群包括多个个体，每一个个体均包括一组用于决定照明方案的决策变量；基于差分进化算法对待优化种群进行迭代优化，直至优化代数达到预设的模式阈值为止；基于差分进化算法和人工鱼群算法对待优化种群中的个体进行迭代优化，直至优化代数达到预设的终止阈值为止；其中，人工鱼群算法用于优化种群中的未改善个体；未改善个体是指，基于差分进化算法进行迭代优化时未被更新的个体；选择待优化种群中的最优个体所包含的一组决策变量及变量值作为适用于目标照明空间的照明方案的决策变量及变量值；其中，最优个体，为待优化种群的所有个体中对应的目标函数值最小的个体；个体的目标函数值，根据参考值和个体对应的照明设计指标的个体值确定；个体对应的照明设计
指标的个体值根据个体包含的一组决策变量及变量值和目标照明空间的前置信息确定。本发明在照明方案的逆设计过程中结合差分进化和人工鱼群算法两种算法，与常规的使用单一算法的方法相比，具有更快的收敛速度，且不易陷入局部最优解，因此基于本发明进行设计能够更快地获得符合需求的照明设计方案。
附图说明
[0070]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
[0071]
图1为本技术实施例提供的一种基于人工鱼群和差分进化的照明方案设计方法的流程图；
[0072]
图2为本技术实施例提供的一种个体矩阵结构的示意图；
[0073]
图3为本技术实施例提供的另一种基于人工鱼群和差分进化的照明方案设计方法的流程图；
[0074]
图4为本技术实施例提供的一种feu-照度-氛围关系图；
[0075]
图5为本技术实施例提供的一种灯具的外观示意图；
[0076]
图6为本技术实施例提供的一种灯具的配光曲线；
[0077]
图7为本技术实施例提供的一种决策变量和目标照明空间的对应关系示意图；
[0078]
图8为本技术实施例提供的一种基于人工鱼群和差分进化的照明方案设计装置的结构示意图。
具体实施方式
[0079]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0080]
本发明结合人工鱼群算法和差分进化算法的特点，提出一种用于逆设计的多策略算法(inverse design multi-strategy algorithm,以下简称idmsa)用于照明方案的逆设计，并基于idmsa算法实现了本发明所述的照明方案设计方法。为了便于理解本技术的技术方案，首先介绍本技术可能涉及的一些概念和相关的配置。
[0081]
目标照明空间，指需要设计照明方案的特定空间，具体可以是某建筑物内的一个或多个房间。示例性的，一间尚未安装灯具的会议室内需要安装若干灯具，这些灯具的布局方式就相当于需要设计的照明方案，这间会议室就相当于设计时的目标照明空间。
[0082]
目标照明空间的前置信息，是指在照明方案设计时需要考虑的目标照明空间的一些属性，包括但不限于目标照明空间的功能、尺寸信息(即长，宽，高等信息)，形态信息(长方体，圆柱体，或其他异形空间)，灯具布置范围信息(用于描述目标照明空间内可以布置灯具的范围)和照明工作面(用于描述从事视觉工作的平面所在位置)。
[0083]
一般的，目标照明空间的前置信息可以从建筑设计模型中提取得到。
[0084]
照明设计指标，可以视为用于衡量照明设计方案优劣的一个或多个指标，在不同的设计方法中，照明设计指标的数量和类型可能有所差异。在选取照明设计指标时，可以根据照明设计概念和具体设计条件，将照明建筑一体化内涵下“环境质量提升、空间功能强化”2大目标转化为具体的、由亮度或照度导出的设计指标，并进一步确定实现设计目标所需的指标参考值，并且将照明建筑一体化内涵下的“照明节能优化”目标转化为照明功率密度指标的最小化。
[0085]
在本发明中，选取如下三种照明设计指标。
[0086]
一，工作面照度。工作面照度的具体含义和计算方式，可以参见现行的有关标准，如《建筑照明设计标准》，此处不再赘述。
[0087]
二，空间亮度系数feu。feu指标是由松下公司提出，以单值评价使用者的主观亮度感的一种指标。feu达到了主观和客观的统一，具有实用性，且利于推广。feu的定义式为：
[0088]
feu＝1.5
×
lg
0.7
[0089]
上述定义式中，lg为在特定照明方案下，目标照明空间内的几何平均亮度，数值上等于诱导视野内亮度的几何平均值，单位为坎德拉每平米(cd/m2)。在具体计算时，空间内亮度大于1000cd/m2的部分被认为是光源，对亮度感受影响小，不计入几何平均亮度中。诱导视野是-50
°
～50
°
的水平视野，-50
°
～35
°
垂直视野所确定的视野范围。lg的具体计算方法可以参见相关的现有技术，此处不再赘述。
[0090]
三，照明功率密度(lighting power density，lpd)，一种用于评价照明节能优化情况的指标，可以定义为，建筑的房间或场所，单位面积的照明安装功率(含镇流器,变压器的功耗)，单位为：瓦/平方米。
[0091]
需要说明，上述三种照明设计指标中，在设计照明方案时需要为前两种设定参考值，第三种(lpd)则只需要以最小化为目标进行设计，无需设定参考值。
[0092]
决策变量，也就是一组能够决定照明方案的变量，换言之，对于特定的目标照明空间，如果能够确定一组决策变量的变量值，则根据这些变量值就可以唯一确定适用于目标照明空间的一套照明方案，也就是唯一确定在目标照明空间内灯具的布局方式。换言之，一组给定变量值的决策变量，可以认为等同于一套既定的照明方案。
[0093]
在设定决策变量时，首先要根据方案设计条件，确定灯具配光信息和灯具形态信息，然后根据灯具配光信息和灯具形态信息选定所用灯具型号；然后在上述信息限定下，确定灯具布置基本规则，抽取控制具体布置方案的参数作为备选决策变量，例如，备选决策变量可以包括每个灯具的光通量、墙面/地面/天花板反射率等；再从这些备选决策变量，如每个灯具的光通量、墙面/地面/天花板反射率中确定可供调整的参数作为决策变量。
[0094]
需要说明的是，根据目标照明空间和相关设计需求的不同，决策变量的具体内容有所不同，本实施例对此不作限定。
[0095]
作为一种示例，针对长方体形态，且照明工作面为距地面750mm的水平面，布灯方式为在天花板上按均匀网格布灯的照明方案，本发明中可以选取灯具的横向间距(横向指房间内矩形表面的面宽方向)和纵向间距(纵向指矩形表面的进深方向)，以及每个灯具的光通量、墙面、地面反射率作为决策变量。
[0096]
目标函数和约束条件，是各类启发式算法中通用的概念。启发式算法在具体实现时，一般是以对应的目标函数值最小化(或者最大化)为目标，在控制优化后的方案满足约
束条件的前提下，对给定的初始方案进行迭代优化，以获得较优的方案。
[0097]
本发明中确定的目标函数如下：
[0098][0099]
目标函数的表达式中，min h表示最小化优化，即本发明的优化目标是使目标函数h的函数值最小化，fi表示第i个评价“环境质量提升、空间功能强化”的照明设计指标，结合前文所选取的照明设计指标，在上述公式中f1可以表示工作面照度，f2可以表示feu。
[0100]
表示第i个照明设计指标的参考值，具体数值在开始执行本发明的方法前根据实际需求设定，结合前述照明设计指标，可以表示工作面照度的参考值，可以表示feu的参考值。
[0101]
lpd为照明功率密度，评价照明节能优化情况。c为惩罚系数，是一个预先设定的大整数。punish为照明方案违反约束条件的个数。
[0102]
本发明中，约束条件包括，是否符合《建筑照明设计规范》的照度均匀度和ugr标准值2项要求。也就是说，在本发明中，若一组给定变量值的决策变量不符合照度均匀度要求或者不符合ugr标准值要求，则认为其违反一个约束条件，若同时不符合照度均匀度要求和ugr标准值要求，则认为其违反两个约束条件。
[0103]
ugr表示统一眩光值(unified glare rating)，是用于度量室内视觉环境中的照明装置发出的光对人眼造成不舒适感主观反应的心理参量。
[0104]
大整数c的取值可以根据需求设定。示例性的，本发明中c可以取值100000。
[0105]
人工鱼群算法(artificial fish swarms algorithm，afsa)，一种被广泛使用的启发式优化算法，通过构造人工鱼个体来模仿鱼群的觅食、聚群及追尾行为，从而实现寻优。
[0106]
本技术第一方面提供一种基于人工鱼群和差分进化的照明方案设计方法，包括：
[0107]
s101，确定照明设计指标的参考值和目标照明空间的前置信息。
[0108]
其中，前置信息包括目标照明空间的尺寸信息，形态信息，灯具布置范围信息和照明工作面。
[0109]
照明设计指标和目标照明空间的前置信息的具体含义如前所述。
[0110]
照明设计指标的参考值可以根据目标照明空间的功能来设定，例如，若目标照明空间是用于交流和讨论的会议室，则可以按照使目标照明空间满足开放、活跃的空间氛围的需求来设定参考值，若目标照明空间是用于决定重大事项的会议室，则可以按照使目标照明空间满足庄重的空间氛围的需求来设计参考值。
[0111]
s102，初始化待优化种群和算法参数。
[0112]
其中，待优化种群包括多个个体，每一个个体均包括一组用于决定照明方案的决策变量。
[0113]
需要初始化的算法参数包括：总代数ttotal(又称终止阈值)，种群规模n(用于限定种群内个体的数量)，决策变量维数n(用于限定一个个体包含的决策变量个数)，决策变
量上限和下限向量un、ln(限定决策变量的变量值的取值范围)，人工鱼群算法的步长因子step0(定义为人工鱼群算法中步长初始值与搜索域宽度之比)、步长精度因子step
min0
(定义为人工鱼群算法中最小步长step
min
与步长初始值之比)、公告牌board(用于记录每一次迭代优化中的最优个体)、差分进化算法的交叉率cr、比例因子f。
[0114]
可选的，确定步骤s102中的决定照明方案的决策变量的过程可以包括：
[0115]
根据照明方案的设计条件，确定灯具配光信息和灯具形态信息，并根据灯具配光信息和灯具形态信息，确定所用灯具型号；
[0116]
在灯具配光信息和灯具形态信息的限制下，确定灯具布置基本规则，并抽取控制照明方案的参数作为备选决策变量；
[0117]
将备选决策变量中可供调整的参数确定为决策变量。
[0118]
在步骤s102中，除了设定上述需要初始化的参数的具体数值外，还可以执行如下操作：
[0119]
将当前的优化代数t设置为1，即t＝1。
[0120]
在[ln,un]范围内，随机生成n个个体，每一个个体均包含一组给定变量值的决策变量，换言之，每一个个体均对应一套照明方案，随机生成的这n个个体构成前述待优化种群。
[0121]
计算待优化种群中每一个个体的目标函数值，将最优个体记录在公告牌board。
[0122]
目标函数的表达式如前所述，最优个体，是指待优化种群中对应的目标函数值最小的个体。
[0123]
计算下列中间变量：
[0124]
搜索域宽度ds，定义为搜索域对角线向量的模长，计算公式如下：
[0125]
ds＝||ln-un||
[0126]
缩放因子s，当搜索域的上下限为决策变量上下限时，空间内的步长在已归一化的搜索域内的对应长度，计算公式为：
[0127][0128]
模式阈值tm：区分idmsa算法的2个阶段的参数。当优化代数小于这个值时，认为算法还未找到复杂约束条件下的可行域，此时对待优化种群执行差分进化算法的变异、交叉、选择操作，也即基于差分进化算法进行迭代优化，使尽可能多的个体迅速向可行域靠近；当优化代数大于这个值时，认为大多数个体已经进入可行域内，此时执行人工鱼群算法的聚群、追尾行为，找到可行域内的最优解。
[0129]
可选的，tm设为0.5ttotal，也就是说，若ttotal设定为400，则tm可以设定为200。
[0130]
s103，基于差分进化算法对待优化种群进行迭代优化，直至优化代数达到预设的模式阈值为止。
[0131]
可选的，步骤s103的具体执行过程包括：
[0132]
a1，针对待优化种群中的每一个个体执行变异操作，获得每一个个体对应的中间个体。
[0133]
其中，变异操作包括，根据待优化种群中随机选择的除被执行变异操作的个体以外的三个互不相同的个体计算得到中间个体。变异操作具体可以用如下公式表示：
[0134]vi
＝x
r1
f(x
r2-x
r3
)
[0135]
上述变异操作的公式中，i表示当前被执行变异操作的个体的编号，即当前对个体xi执行变异操作，vi表示当前执行变异操作后获得的中间个体，x
r1
至x
r3
分别为从待优化种群除个体xi以外的其他个体中随机选取的三个互不相同的个体。如前所述，每一个个体均包含一组决策变量，在执行变异操作时，对选中的三个个体x
r1
至x
r3
中对应的决策变量按上述公式计算得到新的决策变量，然后将新的决策变量组合，就可以得到对应的中间个体。
[0136]
a2，针对待优化种群中每一个个体执行交叉操作，获得每一个个体的变异个体。
[0137]
其中，交叉操作包括，将被执行交叉操作的个体和被执行交叉操作的个体对应的中间个体中的决策变量混合，得到变异个体。
[0138]
交叉操作具体可以用如下公式表示：
[0139][0140]
上述交叉操作的公式中，x
ij
表示被执行交叉操作的个体xi第j个决策变量，v
ij
表示步骤a1中获得的个体xi对应的中间个体vi的第j个决策变量，u
ij
表示交叉操作获得的变异个体ui的第j个决策变量，rand(0，1)表示随机生成的大于0且小于1的数字，cr为初始化时设定的交叉率。
[0141]
上述交叉操作的公式表示，针对第j个决策变量，生成一个0至1范围内的随机数，若该随机数小于或等于交叉率，就将变异个体ui的第j个决策变量确定为中间个体vi的第j个决策变量，即u
ij
＝v
ij
；若该随机数大于交叉率，就将变异个体ui的第j个决策变量确定为个体xi第j个决策变量，即u
ij
＝x
ij
；以此类推，直至确定出变异个体ui的每一个决策变量为止。
[0142]
a3，针对待优化种群中每一个个体执行选择操作。
[0143]
其中，选择操作包括，比对第一目标函数值和第二目标函数值，若第一目标函数值大于第二目标函数值，将被执行选择操作的个体替换为对应的变异个体，若第一目标函数值小于或等于第二目标函数值，保留被执行选择操作的个体并移除被执行选择操作的个体对应的变异个体；第一目标函数值为被执行选择操作的个体的目标函数值，第二目标函数值为被执行选择操作的个体的变异个体的目标函数值。
[0144]
具体的，对于种群中的个体xi执行选择操作时，先计算xi对应的目标函数值(即第一目标函数值)和变异个体ui的目标函数值(即第二目标函数值)，具体计算方法可以参见前述目标函数的表达式，不再赘述。
[0145]
然后，比对第一目标函数值和第二目标函数值，若前者小于或等于后者，表示原个体xi优于变异个体ui，在种群中保留原个体，删除变异个体ui；若前者大于后者，表示变异个体ui优于原个体xi，用变异个体ui替换原个体xi。
[0146]
a4，种群中所有个体的变异，交叉和选择操作均完成之后，确定优化代数是否小于模式阈值。
[0147]
若优化代数小于模式阈值，执行步骤a5，若优化代数等于模式阈值，则单独基于差分进化算法的迭代优化终止，结束步骤s103。
[0148]
a5，将优化代数递增1。
[0149]
执行步骤a5后，返回执行步骤a1，即针对待优化种群中的每一个个体执行变异操
作，获得每一个个体对应的中间个体步骤，直至优化代数等于模式阈值为止。
[0150]
可选的，每次执行步骤a5时，还可以在当前的待优化种群中筛选得到一个最优个体，然后用这个最优个体更新公告牌。
[0151]
s104，执行模式切换，并基于差分进化算法和人工鱼群算法对待优化种群中的个体进行迭代优化，直至优化代数达到预设的终止阈值为止。
[0152]
需要说明的是，步骤s104中模式切换的步骤，仅在优化代数达到模式阈值，也即优化代数等于模式阈值时执行一次，后续不再执行；而基于差分进化算法和人工鱼群算法对个体进行迭代优化的过程，则在优化代数达到终止阈值之前反复执行。
[0153]
其中，未改善个体是指，基于差分进化算法进行迭代优化时未被更新的个体。
[0154]
在执行模式切换时，可以设定后续执行人工鱼群算法时所需的参数。具体的，可以设定首次执行人工鱼群算法时步长的初始值step和最小步长step
min
的初始值。
[0155]
其中：
[0156]
step＝step0xds'
[0157]
step
min
＝step
min0
×
step
[0158]
其中，ds’表示当前代的搜索域宽度，其具体计算方法如下：
[0159]
首先计算当前代的决策变量范围[ln’，un’]：
[0160][0161]
上述公式中，表示当前代所有个体的第1维决策变量的最小值，以此类推，表示当前代所有个体的第n维决策变量的最小值；同理，表示当前代所有个体的第1维决策变量的最大值，表示当前代所有个体的第n维决策变量的最大值；
[0162]
然后根据当前代的决策变量范围计算当前代的搜索域宽度：
[0163]
ds'＝||ln'-un'||
[0164]
步骤s104中，每一次迭代优化的过程均包括：
[0165]
首先，基于差分进化算法对待优化种群中的个体进行优化。
[0166]
上述差分进化算法的具体执行过程和步骤s103中的差分进化算法的执行过程一致，不再赘述。
[0167]
然后，本次迭代优化中差分进化算法结束后，将本次迭代优化中未被差分进化算法更新的个体标记为未改善个体。
[0168]
最后，对上述标记出的未改善个体基于人工鱼群算法进行优化，在所有未改善个体均执行过人工鱼群算法后，本次迭代优化结束，进入下一轮迭代优化。
[0169]
下面结合示例具体介绍未改善个体的含义。对于待优化种群中的任意一个个体xi，如果在一次迭代优化过程中，执行差分进化算法时将个体xi替换为其对应的变异个体ui，那么个体xi就被标记为改善个体，反之，若在一次迭代优化过程中，执行差分进化算法时没有将个体xi替换为其对应的变异个体ui，也就是说本次迭代优化的差分进化算法结束后，个体xi中决策变量的变量值和本次迭代优化的差分进化算法开始前一致，则认为个体xi是未改善个体。
[0170]
s105，选择待优化种群中的最优个体所包含的一组决策变量及变量值作为适用于目标照明空间的照明方案的决策变量及变量值。
[0171]
其中，最优个体，为待优化种群的所有个体中对应的目标函数值最小的个体；个体的目标函数值，根据参考值和个体对应的照明设计指标的个体值确定；个体对应的照明设计指标的个体值根据个体的一组决策变量和目标照明空间的前置信息确定。
[0172]
根据前文对决策变量的说明，确定最优个体后，即可根据最优个体中包含的一组给定变量值的决策变量，唯一的确定出一套照明方案，由此即可完成照明方案的设计。
[0173]
步骤s104的每一轮迭代优化过程中，用人工鱼群算法对未改善个体进行优化的具体执行过程包括：
[0174]
c1，针对每一个未改善个体执行优化操作。
[0175]
其中，优化操作包括如下步骤b1至b4：
[0176]
b1，判断未改善个体的聚群行为是否成功，并判断未改善个体的追尾行为是否成功。
[0177]
首先，为了执行人工鱼群算法，需要将待优化种群中全部的个体排列成如图2个体矩阵，矩阵中，每一个个体具有上，下，左，右四个相邻的个体，对于一个个体xi，xi的上，下，左，右四个相邻的个体构成了xi的冯诺依曼邻域。图2中每个圆圈表示一个个体。
[0178]
特别的，位于一行的两端的个体互为相邻的个体，同理，位于一列的两端的个体互为相邻的个体。
[0179]
基于上述设定，b1中判断未改善个体的聚群行为是否成功的过程包括：
[0180]
在个体矩阵中确定未改善个体的冯诺依曼邻域；其中，个体矩阵由所有待优化种群的所有个体组成。
[0181]
以未改善个体xi为例，确定出未改善个体xi的冯诺依曼邻域为x
i，l
，x
i，r
，x
i，u
和x
i，d
。
[0182]
确定未改善个体的冯诺依曼邻域的邻域中心。
[0183]
未改善个体xi的邻域中心x
i，center
可以按如下公式计算得到：
[0184][0185]
比对第三目标函数值和第四目标函数值。
[0186]
其中，第三目标函数值为未改善个体的目标函数值；第四目标函数值为未改善个体的冯诺依曼邻域的邻域中心的目标函数值。
[0187]
若第三目标函数值大于第四目标函数值，说明未改善个体的邻域中心xi，
center
优于未改善个体xi，确定未改善个体的聚群行为成功。
[0188]
若第三目标函数值不大于第四目标函数值，说明未改善个体xi优于未改善个体的邻域中心x
i，center
，确定未改善个体的聚群行为未成功。
[0189]
b1中判断未改善个体的追尾行为是否成功的过程包括：
[0190]
在个体矩阵中确定未改善个体的冯诺依曼邻域；其中，个体矩阵由待优化种群的全部个体组成。
[0191]
以未改善个体xi为例，确定出未改善个体xi的冯诺依曼邻域为x
i，l
，x
i，r
，x
i，u
和x
i，d
。
[0192]
确定未改善个体的冯诺依曼邻域中的最优个体。
[0193]
冯诺依曼邻域中的最优个体(也可以记为追尾个体，用x
i，follow
表示)，是指，冯诺依
曼邻域中对应的目标函数值最小的个体，也就是说，对于未改善个体xi，其对应的追尾个体为：
[0194]
x
i，follow
＝argmin(h(x
i，l
)，h(x
i，r
)，h(x
i，u
)，h(x
i，d
))
[0195]
h(x)表示目标函数。argmin表示选取使目标函数h的值最小的个体。
[0196]
比对第三目标函数值和第五目标函数值。
[0197]
其中，第三目标函数值为未改善个体的目标函数值；第五目标函数值为未改善个体的冯诺依曼邻域中最优个体的目标函数值。
[0198]
若第三目标函数值大于第五目标函数值，说明未改善个体xi对应的追尾个体x
i，follow
优于未改善个体xi，确定未改善个体的追尾行为成功。
[0199]
若第三目标函数值不大于第五目标函数值，说明未改善个体xi优于未改善个体xi对应的追尾个体x
i，follow
，确定未改善个体的追尾行为未成功。
[0200]
b2，若未改善个体的聚群行为和追尾行为中有且仅有一个行为成功，根据成功的行为更新未改善个体。
[0201]
b3，若未改善个体的聚群行为和追尾行为均成功，根据聚群行为和追尾行为中对应的目标函数值较小的行为更新未改善个体。
[0202]
具体的，步骤b2和b3中，对未改善个体xi的更新方式如下：
[0203]
确定目标位置xt。对于步骤b2，若成功的行为是聚群行为，则将目标位置确定为前述中心个体x
i，center
，即xt＝x
i，center
，若成功的行为是追尾行为，则将目标位置确定为前述追尾个体x
i，follow
，即xt＝x
i，follow
；对于步骤b3，可以将目标位置确定为，中心个体和追尾个体中，对应的目标函数值最小的个体。
[0204]
进行搜索域归一化，将未改善个体xi和目标位置转换为归一化个体x
i’和归一化位置xt’，转换公式如下：
[0205][0206]
上述转换公式中的分式表示用分子的各元素除以分母中对应的元素。
[0207]
在归一化空间内更新归一化个体，获得更新后归一化个体x
i，new’，更新公式如下：
[0208][0209]
将更新后归一化个体还原为原搜索域的个体，获得更新后的未改善个体x
i，new
，还原公式如下：
[0210]
x
i，new
＝ln (un-ln)xx
i，new
′
[0211]
还原公式中，(un-ln)
×
x
i，new’表示将un-ln的各个决策变量分别乘以更新后归一化个体x
i，new’中对应的归一化值。
[0212]
最后用更新后的未改善个体替换原本的未改善个体，完成本次更新。
[0213]
特别的，如果更新后的未改善个体中某一决策变量的值超出[ln,un]所确定的取值范围，就将该决策变量的值替换为较为接近的边界值，也就是说，若某决策变量的值大于
取值范围上限，则将其替换为上限，若小于下限，则将其替换为下限。
[0214]
b4，若未改善个体的聚群行为和追尾行为均未成功，结束优化操作。
[0215]
c2，完成每一个未改善个体的优化操作后，更新鱼群参数，并确定优化代数是否小于预设的终止阈值。
[0216]
上述更新主要是对步长step进行自适应更新，具体可以按如下公式进行：
[0217][0218]
上述公式中，step
t-1
表示更新前的步长，step
t
表示更新后的步长，step
min
表示前述最小步长，t为当前的优化代数。
[0219]
c3，若优化代数小于终止阈值，将优化代数递增1，返回执行步骤s104中基于差分进化算法对待优化种群中的个体进行优化的步骤，直至优化代数等于终止阈值为止。
[0220]
可选的，在步骤c3中，还可以在当前的待优化种群中筛选得到最优个体，然后用该最优个体更新公告牌。
[0221]
本技术提供一种基于人工鱼群和差分进化的照明方案设计方法和装置，方法包括，确定照明设计指标的参考值和目标照明空间的前置信息；其中，前置信息包括目标照明空间的尺寸信息，形态信息，灯具布置范围信息和照明工作面；初始化待优化种群和算法参数；其中，待优化种群包括多个个体，每一个个体均包括一组用于决定照明方案的决策变量；基于差分进化算法对待优化种群进行迭代优化，直至优化代数达到预设的模式阈值为止；基于差分进化算法和人工鱼群算法对待优化种群中的个体进行迭代优化，直至优化代数达到预设的终止阈值为止；其中，人工鱼群算法用于优化种群中的未改善个体；未改善个体是指，基于差分进化算法进行迭代优化时未被更新的个体；选择待优化种群中的最优个体所包含的一组决策变量及其变量值作为适用于目标照明空间的照明方案的决策变量及其变量值；其中，最优个体，为待优化种群的所有个体中对应的目标函数值最小的个体；个体的目标函数值，根据参考值和个体对应的照明设计指标的个体值确定；个体对应的照明设计指标的个体值根据个体的一组决策变量和目标照明空间的前置信息确定。本发明在照明方案的逆设计过程中结合差分进化和人工鱼群算法两种算法，与常规的使用单一算法的方法相比，具有更快的收敛速度，且不易陷入局部最优解，因此基于本发明进行设计能够更快地获得符合需求的照明设计方案。
[0222]
请参见图3，为本技术实施例提供的另一种基于人工鱼群和差分进化的照明方案设计方法的流程图。
[0223]
s301，初始化。
[0224]
步骤s301相当于前述实施例的步骤s102。
[0225]
s302，差分进化操作。
[0226]
s303，比对t和tm。
[0227]
若t小于tm，则执行步骤s311，若t等于tm，则执行步骤s304，若t大于tm，则执行步骤s305。其中，tm为前述模式阈值。
[0228]
步骤s302，s303，s310，s311以及s312的循环相当于前述实施例的步骤s103。
[0229]
s304，执行模式切换。
[0230]
步骤s304执行完后，执行步骤s305。
[0231]
s305，对未改善的个体聚群和追尾。
[0232]
s306，存在成功结果？
[0233]
步骤s305和s306相当于前述实施例的步骤b1。
[0234]
若存在成功结果，则执行步骤s307，若不存在成功结果，则执行步骤s310。
[0235]
s307，两个行为都成功？
[0236]
若两个行为中仅有一个行为成功，则执行步骤s308，若两个行为都成功，则执行步骤s309。
[0237]
s308，执行成功结果。
[0238]
s309，执行较优结果。
[0239]
步骤s307至s309相当于前述实施例的步骤b2至b4。
[0240]
步骤s305至s309相当于前述实施例的步骤c1。
[0241]
s310，更新鱼群参数。
[0242]
步骤s310相当于前述实施例的步骤c2。
[0243]
s311，更新公告牌。
[0244]
s312，t《ttotal？
[0245]
若t小于ttotal，则执行步骤s313，若t不小于ttotal，则执行步骤s314。
[0246]
其中，ttotal为前述终止阈值。
[0247]
s313，t＝t 1。
[0248]
步骤s313执行结束后，返回执行步骤s302。
[0249]
步骤s312至s313相当于前述实施例的步骤c3。
[0250]
步骤s302至s312相当于前述实施例的步骤s104；其中，可以看出，s304所述的模式切换只有在优化代数t等于模式阈值tm时才执行一次，其他情况下不执行。
[0251]
s314，输出结果。
[0252]
步骤s314相当于前述实施例的步骤s105。
[0253]
为了便于理解本技术提供的基于人工鱼群和差分进化的照明方案设计方法，下面结合具体的示例对本方法的执行过程进行说明。
[0254]
特别的，为了突出本发明的有益效果，进一步提供采用其他方法对该示例进行照明方案设计时的结果，以供对照。
[0255]
考虑各种公共空间类型，会议室空间对城市劳动者的生产活动更加重要，使用者在会议室内从事视觉工作的时间相比其他范例类型更长，因而更加需要较高的照明质量、与活动对应的空间氛围，且尽可能节约能源。会议室空间对照明质量的要求，1是提供充足照明以维持视觉工作，2是保障视觉工作舒适度，避免眼疲劳。会议室对照明空间氛围需求则更为多元：对于设计类工作，会议室往往被用来交流、讨论，这就需要更活跃的空间氛围；对于行政类工作，会议室用来决定集体的重大事项，这就需要更庄重的空间氛围。
[0256]
本例使用idmsa算法对某会议室空间实施照明逆设计，目标照明空间的主要功能是交流和讨论，因此需要设计满足感受较明亮、开放氛围2项条件的照明方案。
[0257]
松下公司提出，照明空间的氛围由feu和工作面照度共同塑造。高照度 高feu塑造开放氛围，低照度 高feu塑造柔和氛围；高照度 低feu塑造安详氛围；低照度 低feu塑造张
弛氛围。会议室空间的feu-照度-氛围关系见图4。
[0258]
此外，松下公司的调研还给出了会议室空间的feu值与亮度感觉的对应关系：feu在6-10之间，感觉较昏暗；在10-16之间，明亮感适中；在16-24之间，感觉较明亮。
[0259]
根据图4中feu-照度-氛围关系，以及前述氛围要求，可以设定照明设计指标feu和工作面照度的参考值。
[0260]
除idmsa外，还使用差分进化算法(differential evolution，以下简称de)、人工鱼群算法(artificial fish swarm algorithm，以下简称afsa)2种算法对本例进行设计。
[0261]
为了比对不同算法的优劣，下面提供几种衡量算法好坏的指标，即效能比较的指标，包括：
[0262]
(1)失败率：基于特定算法，在相同条件下重复多次执行会议室照明方案的逆设计，每次均可得到一个最优个体，及对应的目标函数值。设定可接受的范围为目标函数值≤10，如对应的目标函数值未达到范围内，视为运行失败一次。失败率是失败次数占重复次数的比例。
[0263]
因为照明模拟需要耗费较长时间，优化失败后重新优化代价过大，所以该指标对照明优化问题来说是首要的评价标准。
[0264]
(2)最好解：如前所述，基于特定算法每进行一次重复试验可以得到一个最优个体及对应的目标函数值，最好解是多次重复试验所得的多个目标函数值中最优(本发明中为最小)的一个。
[0265]
该指标检验算法能否找到待优化函数的全局最优解。
[0266]
(3)各次平均解：如前所述，各次平均解是上述多个目标函数值的平均值。
[0267]
该指标用于从整体上评价算法的寻优能力。
[0268]
(4)标准差：如前所述，标准差是上述多个目标函数值的标准差的值。
[0269]
该指标检验算法的稳定性。
[0270]
(5)平均时长：特定算法重复多次执行会议室照明方案的逆设计，每次运行耗时的平均值。
[0271]
该指标可以预估算法的效率。但是因为时长和算法程序编写有关，故仅供参考。
[0272]
评估最好解、各次平均解、标准差、平均时长时均排除运行失败的数据。本发明中，上述指标量值越小，说明算法效能表现越好。
[0273]
作为示例，本例中所用的各算法的参数配置可以采用下述表1的配置：
[0274]
表1
[0275]
[0276][0277]
本例具体实施步骤如下：
[0278]
首先，确定目标照明空间的前置信息，即尺度、可布灯的范围，以及依据建筑空间功能确定照明指标参考值。本例中，会议室空间面宽6000mm，进深9000mm，天花板下净高2970mm，为美观性考虑，天花板四周500mm范围内不布灯。根据前述氛围要求和图4所示的对照关系，feu参考值取20，照度参考值取500lx。
[0279]
其次，确定决策变量。该会议室空间中，可供调整的决策变量有灯具的横向(面宽方向)间距、纵向(进深方向)间距、每个灯具的光通量、墙面、地面反射率。
[0280]
天花板材质已经确定，反射率为0.7，灯具的参数如表2所示，灯具的外观和配光曲线可以参见图5和图6。
[0281]
表2
[0282][0283]
上述决策变量的单位和取值范围如表3所示：
[0284]
表3会议室空间照明逆设计的决策变量列表
[0285][0286]
[0287]
根据图7所示的决策变量和目标照明空间的对应关系示意图，可以将一组给定变量值的决策变量转换为对应的照明方案(灯具布置方案)。具体的，图中d1、d2依次对应决策变量中的横向间距、纵向间距。以面宽方向为x轴正方向、进深方向为y轴正方向，以房间角点为原点建立平面直角坐标系，以灯具中心点作为布灯坐标，决策变量转化为灯具布置方案的过程可描述为：
[0288]
1)选定距天花板边界500mm内的区域作为可布灯区域(图7中虚线框内区域)。
[0289]
2)计算横向布灯数目xn为：
[0290][0291]
即横向间距为d1时的最大可布灯数量。设横向布灯数目为xn，则布灯网格的横坐标按如下公式计算：
[0292][0293]
其中i＝0,1,2
…
,xn-1。
[0294]
3)纵向布灯数目和布灯网格的纵坐标可以参照步骤2)，利用纵向间距和进深计算得到，不再赘述。
[0295]
4)按网格交点的横纵坐标在天花板上布灯，且每个灯具的光通量已被决策变量规定。
[0296]
再次，设置目标函数和约束条件。根据照明设计要求，参考前述目标函数的表达式和照明设计指标，本例中设定目标函数为：
[0297][0298]
上述公式中各参数的定义请参见前述目标函数概念介绍和对应的表达式。
[0299]
本例中设定的约束条件有两项，分别是，照度均匀度≥0.6、ugr≤19。
[0300]
因本例灯具的光通量任意可变，不适合用灯具额定功率计算lpd，故本例lpd的计算公式设为：
[0301][0302]
式中，phi为所有灯具的总光通量，a为房间面积，100代表所用led灯具的光效为100lm/w。
[0303]
最后，按表1所示参数运行idmsa、de、afsa共3种算法，记录各个算法给出的最优个体。
[0304]
idmsa、de、afsa运行后输出的效能评价指标量值可以参见表4。
[0305]
表4
[0306]
[0307]
表4反映出的是在达到feu和照度指标要求前提下的方案能耗。就最好解而言，3种算法排序依次是idmsa、afsa、de，即idmsa算法输出的最优个体所包含的一组决策变量对应的目标函数值最小，各次平均解的排序和最好结果相同；稳定性(标准差越小则稳定性越好)和时长排序依次是idmsa、de、afsa。综上，idmsa在各个指标上都表现出比单独的de和afsa更好的效能，说明改进有效。
[0308]
为验证idmsa确实达到了改进效果，使用独立变量t检验以判断idmsa表现出的更优效能是否源于随机因素。表5展示了10次运行中idmsa所得各次平均解和afsa、de的各次平均解的比对结果。afsa和de这2种算法的显著性指标均小于0.05，其中de的显著性指标小于0.01，说明idmsa和其他2种算法的各次平均解的差值均有统计学意义，进一步证明了本发明提出的idmsa算法结合了de和afsa的优点，实现了运行效率和搜索精度的提升，适合解决多种类型的照明逆设计问题。
[0309]
表5，idmsa算法输出的各次平均解与afsa、de之间的独立变量t检验结果
[0310][0311][0312]
根据上述实施例和对应的示例可以看出，本发明所提供的基于人工鱼群和差分进化的照明方案设计方法，可在满足亮度和照度条件的前提下生成最为节能的照明设计方案，以智能化手段实现了照明建筑一体化的“环境质量提升、空间功能强化、照明节能优化”设计目标；针对照明逆设计优化具有的“黑盒”特性，本发明有机结合人工鱼群算法与差分进化算法2种启发式算法，通过新参数“模式阈值”控制2种算法运行模式的切换，基于冯
·
诺依曼邻域执行人工鱼群算法的聚群和追尾行为，对人工鱼群算法的步长参数应用自适应策略，解决了现有启发式优化算法存在的收敛速度慢、陷入局部最优解等问题，实现了高效、精准的一体化照明设计。
[0313]
根据本技术实施例提供的基于人工鱼群和差分进化的照明方案设计方法，本技术实施例还提供一种基于人工鱼群和差分进化的照明方案设计装置，请参见图8，该装置可以包括如下单元。
[0314]
确定单元801，用于确定照明设计指标的参考值和目标照明空间的前置信息。
[0315]
其中，前置信息包括目标照明空间的尺寸信息，形态信息，灯具布置范围信息和照明工作面。
[0316]
初始化单元802，用于初始化待优化种群和算法参数。
[0317]
其中，待优化种群包括多个个体，每一个个体均包括一组用于决定照明方案的决策变量。
[0318]
第一优化单元803，用于基于差分进化算法对待优化种群进行迭代优化，直至优化
代数达到预设的模式阈值为止。
[0319]
第二优化单元804，用于执行模式切换，并基于差分进化算法和人工鱼群算法对待优化种群中的个体进行迭代优化，直至优化代数达到预设的终止阈值为止。
[0320]
需要说明，第二优化单元804，仅在优化代数达到(即等于)模式阈值时，执行一次模式切换，后续不再执行，而基于差分进化算法和人工鱼群算法对待优化种群中的个体进行迭代优化，则在优化代数达到终止阈值之前反复执行。
[0321]
其中，人工鱼群算法用于对待优化种群中的未改善个体进行优化；未改善个体是指，基于差分进化算法进行迭代优化时未被更新的个体。
[0322]
选择单元805，用于选择待优化种群中的最优个体所包含的一组决策变量及变量值作为适用于目标照明空间的照明方案的决策变量及变量值。
[0323]
其中，最优个体，为待优化种群的所有个体中对应的目标函数值最小的个体；个体的目标函数值，根据参考值和个体对应的照明设计指标的个体值确定；个体对应的照明设计指标的个体值根据个体的一组决策变量及变量值和目标照明空间的前置信息确定。
[0324]
可选的，第一优化单元803基于差分进化算法对待优化种群进行迭代优化，直至优化代数达到预设的模式阈值为止时，具体用于：
[0325]
针对待优化种群中的每一个个体执行变异操作，获得每一个个体对应的中间个体；其中，变异操作包括，根据待优化种群中随机选择的除被执行变异操作的个体以外的三个个体计算得到中间个体；
[0326]
针对待优化种群中每一个个体执行交叉操作，获得每一个个体的变异个体；其中，交叉操作包括，将被执行交叉操作的个体和被执行交叉操作的个体对应的中间个体中的决策变量混合，得到变异个体；
[0327]
针对待优化种群中每一个个体执行选择操作；其中，选择操作包括，比对第一目标函数值和第二目标函数值，若第一目标函数值大于第二目标函数值，将被执行选择操作的个体替换为对应的变异个体，若第一目标函数值小于或等于第二目标函数值，保留被执行选择操作的个体并移除被执行选择操作的个体对应的变异个体；第一目标函数值为被执行选择操作的个体的目标函数值，第二目标函数值为被执行选择操作的个体的变异个体的目标函数值；
[0328]
若优化代数小于预设的模式阈值且小于预设的终止阈值，将优化代数递增1，返回执行针对待优化种群中的每一个个体执行变异操作，获得每一个个体对应的中间个体步骤，直至优化代数等于模式阈值为止。
[0329]
可选的，第二优化单元804基于人工鱼群算法对待优化种群中的未改善个体进行迭代优化时，具体用于：
[0330]
针对每一个未改善个体执行优化操作；
[0331]
其中，优化操作包括：
[0332]
判断未改善个体的聚群行为是否成功，并判断未改善个体的追尾行为是否成功；
[0333]
若未改善个体的聚群行为和追尾行为中有且仅有一个行为成功，根据成功的行为更新未改善个体；
[0334]
若未改善个体的聚群行为和追尾行为均成功，根据聚群行为和追尾行为中对应的目标函数值较小的行为更新未改善个体；
[0335]
若未改善个体的聚群行为和追尾行为均未成功，结束优化操作；
[0336]
所有未改善个体的优化操作均完成后，更新鱼群参数，并确定优化代数是否小于预设的终止阈值；若优化代数小于终止阈值，将优化代数递增1，返回执行基于差分进化算法和人工鱼群算法对待优化种群中的个体进行迭代优化步骤，直至优化代数等于终止阈值为止。
[0337]
可选的，第二优化单元804判断未改善个体的聚群行为是否成功时，具体用于：
[0338]
在个体矩阵中确定未改善个体的冯诺依曼邻域；其中，个体矩阵由所有未改善个体组成；
[0339]
确定未改善个体的冯诺依曼邻域的邻域中心；
[0340]
比对第三目标函数值和第四目标函数值；其中，第三目标函数值为未改善个体的目标函数值；第四目标函数值为未改善个体的冯诺依曼邻域的邻域中心的目标函数值；
[0341]
若第三目标函数值大于第四目标函数值，确定未改善个体的聚群行为成功；
[0342]
若第三目标函数值不大于第四目标函数值，确定未改善个体的聚群行为未成功。
[0343]
可选的，第二优化单元804判断未改善个体的追尾行为是否成功时，具体用于：
[0344]
在个体矩阵中确定未改善个体的冯诺依曼邻域；其中，个体矩阵由所有未改善个体组成；
[0345]
确定未改善个体的冯诺依曼邻域中的最优个体；
[0346]
比对第三目标函数值和第五目标函数值；其中，第三目标函数值为未改善个体的目标函数值；第五目标函数值为未改善个体的冯诺依曼邻域中最优个体的目标函数值；
[0347]
若第三目标函数值大于第五目标函数值，确定未改善个体的追尾行为成功；
[0348]
若第三目标函数值不大于第五目标函数值，确定未改善个体的追尾行为未成功。
[0349]
本实施例所提供的装置，其具体工作原理可以参见本技术任一实施例所提供的基于人工鱼群和差分进化的照明方案设计方法中的相关步骤，此处不再赘述。
[0350]
本技术提供一种基于人工鱼群和差分进化的照明方案设计装置，包括，确定单元801确定照明设计指标的参考值和目标照明空间的前置信息；初始化单元802初始化待优化种群和算法参数；待优化种群中每一个个体均包括一组用于决定照明方案的决策变量；第一优化单元803和第二优化单元804依次基于差分进化算法和人工鱼群算法对待优化种群中的个体进行迭代优化，直至优化代数达到终止阈值，最后选择单元805选择待优化种群中的最优个体所包含的一组决策变量及其变量值作为适用于目标照明空间的照明方案的决策变量及其变量值。本发明在照明方案的逆设计过程中结合差分进化和人工鱼群算法两种算法，与常规的使用单一算法的方法相比，具有更快的收敛速度，且不易陷入局部最优解，因此基于本发明进行设计能够更快地获得符合需求的照明设计方案。
[0351]
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0352]
需要注意，本发明中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
[0353]
专业技术人员能够实现或使用本技术。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本技术的精神或范围的情况下，在其它实施例中实现。因此，本技术将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。