阅读说明：本技术 基于蚁群优化算法的健身跑运动方案生成方法 (Body-building running scheme generation method based on ant colony optimization algorithm ) 是由 游琪妍 蔡云鹏 倪友聪 张韬磊 陈硕 杜欣 于 2019-09-19 设计创作，主要内容包括：本发明涉及一种基于蚁群优化算法的健身跑运动方案生成方法,包括以下步骤：1、确定蚁群优化算法中各参数,并对各变量进行初始化；2、随机产生k个解,得到初始解记忆表；3、计算解记忆表中各解的适应度值,并按适应度值进行排序；4、当演化代数不大于最大演化代数时,转步骤5,否则转步骤8；5、计算每个解的权重,并采用轮盘赌抽样获取m个基准解；6、采用更新策略对获取的每个基准解进行更新；7、删除解记忆表中最差的m个解,并按适应度从小到大对余下的最好的k个解进行排序；然后取下一代演化代数,返回步骤4继续迭代；8、将解记忆表中排名第一的解作为最优解输出。该方法有利于生成安全、有效和个性化的健身跑运动方案。(The invention relates to a body-building running scheme generation method based on an ant colony optimization algorithm, which comprises the following steps of: 1. determining each parameter in the ant colony optimization algorithm, and initializing each variable; 2. randomly generating k solutions to obtain an initial solution memory table; 3. calculating the fitness value of each solution in the solution memory table, and sequencing according to the fitness value; 4. when the evolution algebra is not larger than the maximum evolution algebra, turning to the step 5, otherwise, turning to the step 8; 5. calculating the weight of each solution, and sampling by adopting roulette to obtain m reference solutions; 6. updating each obtained reference solution by adopting an updating strategy; 7. deleting the worst m solutions in the solution memory table, and sequencing the rest best k solutions according to the fitness from small to large; then, taking the next generation evolution algebra, and returning to the step 4 to continue iteration; 8. and outputting the first ranked solution in the solution memory table as the optimal solution. The method facilitates the generation of a safe, effective and personalized fitness running exercise program.)

基于蚁群优化算法的健身跑运动方案生成方法

技术领域

本发明涉及健身跑运动方案生成技术领域，具体涉及一种基于蚁群优化算法的健身跑运动方案生成方法。

背景技术

在室内跑步机上进行锻炼不受季节天气影响并且简单高效，已成为一种重要健身方式。当前市面上的跑步机大多提供了一些运用领域知识构建的可选运动方案为运动者在锻炼健身时提供一定指导。但仍缺乏充分考虑运动者身体机能特点的个性化锻炼健身指导方案。如何在保证锻炼安全的前提下，有效提高健身者在跑步机上锻炼健身的效果已成为一个重要的研究课题。

发明内容

本发明的目的在于提供一种基于蚁群优化算法的健身跑运动方案生成方法，该方法有利于生成安全、有效和个性化的健身跑运动方案。

为实现上述目的，本发明的技术方案是：一种基于蚁群优化算法的健身跑运动方案生成方法，定义运动方案解空间Ω为式(1)所示的时间序列：

Ω＝{X|X＝<(V(1),A(1)),...,(V(t),A(t)),...,(V(l),A(l))>} (1)

式中，V(t)和A(t)分别表示第t个时段的速度和坡度，l为总的时段数，速度的值从区间[V_min,V_max]取，属于连续变量，坡度的值从集合{A₁,A₂,...,A_n}里面取，属于离散变量；

将健身跑的安全有效心率区间定义为式(2)：

安全且有效心率区间＝[0.64HR_max,0.74HR_max] (2)

式中，HR_max为最大心率，且HR_max＝220-年龄；

解X中，心率落在非安全有效心率区间的次数定义为式(3)所示的函数f(X)：

式中，是健身跑运动模型计算得到的第t时段的预测心率；

将健身跑运动方案生成描述成一个带约束的混合编码优化问题：在满足式(2)的条件下，搜索满足式(4)的最优解X*：

然后按如下步骤生成健身跑运动方案：

(1)确定蚁群优化算法的最大演化代数g_max、初始解的个数k、每代产生新解个数m、信息素持久度ε、调节权重的系数q以及最大心率HR_max，对各变量进行初始化，并将当前演化代数g赋为1；

(2)在速度区间和坡度集合中随机产生k个解，得到初始解记忆表，解记忆表中的每个解由r个连续变量和d个离散变量组成；

(3)计算解记忆表中各解的适应度值，并对这些解按适应度值从小到大进行排序；

(4)若当前演化代数g不大于最大演化代数时，转步骤(5)，否则转步骤(8)；

(5)计算每个解的权重ω(X_i)，并采用轮盘赌抽样获取m个基准解X_i，1≤i≤m；

(6)对获取的每个基准解X_a，a≤m进行如下操作：采用连续变量更新策略ACO_MV-V对基准解X_a的每一位连续变量V(t)进行更新得到新解X′_a，然后采用离散变量更新策略ACO_MV-A对新解X′_a中的每一位离散变量A(t)进行更新得到新解X”_a，然后评估解X”_a，得到适应度值F(X”_a)，并将X”_a作为X_k+a存于解记忆表中；直至对所有的基准解完成上述操作；

(7)删除解记忆表中最差的m个解，并按适应度从小到大对余下的最好的k个解进行排序；然后，将当前演化代数g加1，返回步骤(4)；

(8)将解记忆表中排名第一的解作为最优解X*输出。

进一步地，解记忆表中包含k个完整解{X₁,X₂,...,X_k}，根据解记忆表中解生成新解的方法，先依次更新连续变量，再依次更新离散变量；每个解由r个连续变量和d个离散变量组成，其中，r＝d＝l，l表示总的时段数；解记忆表随新解的产生动态更新的。

进一步地，健身跑运动方案生成的优化目标是使目标函数f的值最小，适应度的定义如式(5)：

F(X_i)＝R_f+R_D (5)

上式结合了式(3)的目标函数、式(6)和(7)的约束违反程度惩罚函数，并引入了综合排名机制；R_f、R_D分别表示对目标函数和约束违反程度惩罚函数按从小到大排名；所述适应度满足：1)落在区间[0.64HR_max,0.74HR_max]外的次数越少越好；2)越靠近区间边界其适应度值越好；3)小于下边界的适应度好于大于上边界的适应度值；

进一步地，根据适应度F(X_i)的大小对记忆表中的解进行从小到大排序，得到每个解的排名记做rank(X_i)，然后计算解X_i的权重ω(X_i)；ω(X_i)是关于排名rank(X_i)的高斯概率密度函数，定义式如式(8)：

式中，q是调节权重的一个系数；得到权重以后根据式(9)定义的概率，采用轮盘赌的方法抽样得到m个基准解；排名rank(X_i)越靠前的解，其权重越高，被抽做基准解的概率越高；

进一步地，所述连续变量更新策略ACO_MV-V为：在基准解X_i中，对于每一位连续变量V_i ^j(t)，其中1≤j≤r，在V_i ^j(t)的邻域内采用均值为μ，标准差为σ的高斯概率密度函数更新，得到一个新的速度其定义如式(10)：

式中，均值为标准差由记忆表中所有解的第j位连续变量的值共同决定，定义式如式(11)和式(12)：

上式对每一位连续变量，结合每个解X_i的适应度好坏确定标准差；由于数据是高斯概率分布，标准差大数据分布较分散，标准差小数据分布较集中；根据适应度对数据缩放比例，对于较好解减少较差解对其的扰动，对于较差的解增加其标准差，使其更大概率的产生较好的解；

最后在更新过程中若产生编码非法的情况，即产生的新的速度值不在可取速度区间[V_min,V_max]，当新解小于最小速度V_min则以V_min为对称轴取对称点，当新解大于最大速度V_max则以V_max为对称轴取对称点，直到新解合法为止。

进一步地，所述离散变量更新策略ACO_MV-A为：在基准解X_i中，对于每一位离散变量其中1≤j≤d，采用连续松弛的方法进行更新，其方法为：直接把离散变量先当做连续值进行处理，其处理过程与连续变量的更新策略相同，然后把更新得到的结果与可选集合中离散点做比较，用距离该连续值最近的离散点作为更新后的

相较于现有技术，本发明的有益效果是：将健身跑个性化运动方案的生成抽象为一个带约束的、包含离散变量和连续变量的优化问题，提出带约束的适应度评估方法及解的更新方法，基于混合编码的蚁群优化算法，生成个性化的健身跑运动方案，从而为在跑步机上进行锻炼健身提供安全、有效和个性化的指导。

附图说明

图1是本发明实施例的实现流程图。

图2是本发明实施例中的解记忆表。

具体实施方式

下面结合附图及具体实施例对本发明作进一步的详细说明。

本发明提供一种基于蚁群优化算法的健身跑运动方案生成方法，首先定义运动方案解空间Ω为式(1)所示的时间序列：

Ω＝{X|X＝<(V(1),A(1)),...,(V(t),A(t)),...,(V(l),A(l))>} (1)

式中，V(t)和A(t)分别表示第t个时段的速度和坡度，l为总的时段数，结合现有跑步机提供的速度、坡度的特点，速度的值从区间[V_min,V_max]取，属于连续变量，坡度的值从集合{A₁,A₂,...,A_n}里面取，属于离散变量。

将健身跑的安全有效心率区间定义为式(2)：

安全且有效心率区间＝[0.64HR_max,0.74HR_max] (2)

式中，HR_max为最大心率，且HR_max＝220-年龄。

解X中，心率落在非安全有效心率区间的次数定义为式(3)所示的函数f(X)：

式中，是健身跑运动模型计算得到的预测心率。

将健身跑运动方案生成描述成一个带约束的混合编码优化问题：在满足式(2)的条件下，搜索满足式(4)的最优解X*：

然后，如图1所示，按如下步骤生成健身跑运动方案：

(1)确定蚁群优化算法的最大演化代数g_max、初始解的个数k、每代产生新解个数m、信息素持久度ε、调节权重的系数q以及最大心率HR_max，并对各变量进行初始化，并将当前演化代数g赋为1。

(2)在速度区间和坡度集合中随机产生k个解，得到初始解记忆表，解记忆表中的每个解由r个连续变量和d个离散变量组成。

(3)计算解记忆表中各解的适应度值，并对这些解按适应度值从小到大进行排序。

(4)若当前演化代数g不大于最大演化代数g_max时，转步骤(5)，否则转步骤(8)。

(5)计算每个解的权重ω(X_i)，并采用轮盘赌抽样获取m个基准解X_i，1≤i≤m。

(6)对获取的每个基准解X_a，a≤m进行如下操作：采用连续变量更新策略ACO_MV-V对基准解X_a的每一位连续变量V(t)进行更新得到新解X′_a，然后采用离散变量更新策略ACO_MV-A对新解X′_a中的每一位离散变量A(t)进行更新得到新解X”_a，然后评估解X”_a，得到适应度值F(X”_a)，并将X”_a作为X_k+a存于解记忆表中；直至对所有的基准解完成上述操作。

(7)删除解记忆表中最差的m个解，并按适应度从小到大对余下的最好的k个解进行排序。然后，将当前演化代数g加1，返回步骤(4)。

(8)将解记忆表中排名第一的解作为最优解X*输出。

如图2所示，解记忆表中包含k个完整解{X₁,X₂,...,X_k}，根据解记忆表中解生成新解的方法是先依次更新连续变量，再依次更新离散变量。每个解由r个连续变量和d个离散变量组成，其中，r＝d＝l，l表示总的时段数。解记忆表随新解的产生动态更新的。

健身跑运动方案生成的优化目标是使目标函数f的值最小，适应度的定义如式(5)：

F(X_i)＝R_f+R_D (5)

上式结合了式(3)的目标函数式(3)、式(6)和(7)的约束违反程度惩罚函数，并引入了综合排名机制。R_f、R_D分别表示对目标函数和约束违反程度惩罚函数按从小到大排名。所述适应度主要满足以下三个原则：

1)落在区间[0.64HR_max,0.74HR_max]外的次数越少越好。

2)越靠近区间边界其适应度值越好。

3)从安全角度考虑，小于下边界的适应度好于大于上边界的适应度值。

根据适应度F(X_i)的大小对记忆表中的解进行从小到大排序，得到每个解的排名记做rank(X_i)，然后计算解X_i的权重ω(X_i)。ω(X_i)是关于排名rank(X_i)的高斯概率密度函数，定义式如式(8)：

式中，q是调节权重的一个系数。得到权重以后根据式(9)定义的概率，采用轮盘赌的方法抽样得到m个基准解。排名rank(X_i)越靠前的解，其权重越高，被抽做基准解的概率越高。

所述连续变量更新策略ACO_MV-V为：

在基准解X_i中，对于每一位连续变量V_i ^j(t)，其中1≤j≤r，在V_i ^j(t)的邻域内采用均值为μ，标准差为σ的高斯概率密度函数更新，得到一个新的速度其定义如式(10)：

式中，均值为标准差由记忆表中所有解的第j位连续变量的值共同决定，定义式如式(11)和式(12)：

上式对每一位连续变量，结合每个解X_i的适应度好坏确定标准差。由于数据是高斯概率分布，标准差大数据分布较分散，标准差小数据分布较集中。根据适应度对数据缩放比例，对于较好解可以减少较差解对其的扰动，对于较差的解可以增加其标准差，使其更大概率的产生较好的解。

最后在更新过程中若产生编码非法的情况，即产生的新的速度值不在可取速度区间[V_min,V_max]，当新解小于最小速度V_min则以V_min为对称轴取对称点，当新解大于最大速度V_max则以V_max为对称轴取对称点，直到新解合法为止。

所述离散变量更新策略ACO_MV-A为：

在基准解X_i中，对于每一位离散变量其中1≤j≤d，采用连续松弛的方法进行更新。为了减少优化算法的复杂程度，本发明的连续松弛方法直接把离散变量先当做连续值进行处理，其处理过程与连续变量的更新策略相同，然后把更新得到的结果与可选集合中离散点做比较，用距离该连续值最近的离散点作为更新后的

以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。