面向服装流行色预测的层次协同演化模型与算法研究

摘要

服装流行色预测是指使用某种特定方法进行判断。定案可以为整个服装行业包括纤维供应商、面料生产企业、成衣生产企业及服装代理商提供行业指导和引领作用。为服装产业的快速发展提供有力条件。因此各个国家都开始重视服装流行色趋势的预测方法研究。近年逐步兴起的服装流行色定量预测方法以数据统计作为研究对象，分析其数据信息的规律性和数理性。尽管定量预测的方法可以一定程度上对流行色进行预测，但是，服装流行色预测研究开始较晚，还处于探索阶段，预测方法的有效性和精度低等问题依然存在。
　　本文针对现有服装流行色定量预测方法在精度上存在的缺陷，在提出基于色彩体系的色彩量化和分类准则的基础上，设计了一款高性能的基于层次协同演化机制的多蜂群协同优化算法，进而将该改进算法应用人工神经网络权值配置问题上，提升神经网络模拟目标问题的精度，并借助此改进神经网络进行服装流行色预测问题的求解，提高预测结果精准度的性能。本文主要从以下几个方面开展研究工作:
　　(1)提出一种基于层次协同演化模式的多种群进化模型。该模型借鉴了复杂适应系统理论和生物学中协同进化思想，同时此模型涵盖了从个体到种群再到群落的层次结构。在保留充分个体基本搜索特性的基础上，通过层次间信息交流模式和同层内竞争-协作共生模式，可实现个体层、种群层和群落层之间的智能涌现。
　　(2)在个体-种群-群落三层协同演化模型的多种群进化模型框架基础上，提出一种基于群落层次演化的多蜂群协同优化算法(HABC)。在此算法中，采用分而治之策略，实现高维问题低维化操作，即将问题的每一个维度随机分配到若干子维度集合中，降维之后的每个子维度都可以有多个种群共同处理，可以有效降低问题求解难度并提高问题优化率。采用交叉操作与精英策略增强种群间信息交流，以保证群体多样性。为测试其性能，选取了15个连续函数和5个离散测试函数。测试结果表明HABC在寻优过程初期能够极大限度的保留种群多样性，在寻优后期具有较快的收敛速度;相对于一些经典的启发式进化算法，该算法不仅寻优精度高，而且具备较高的鲁邦性，特别是对于高维复杂问题，其性能更为突出。
　　(3)为克服传统基于梯度下降法、数值优化法的神经网络训练的容易陷入局部最小值、计算复杂、对网络的初始权值和参数极为敏感的缺陷，采用基于群体层次演化的多蜂群协同优化算法求解人工的神经网络的权值。将网络中需要训练的参数看成优化问题的解的维度，求解最优解的过程，个体之间竞争的这个过程，实际上即是网络参数训练的全过程。本实验主要采用了七个实际案例问题进行检验。试验表明，基于群落层次演化多蜂群协同算法进行整合优化的神经网络，其针对收敛速度以及学习效率等多个方面都具备了优于传统的BP神经网络算法以及基础的人工蜜蜂群的算法优化的神经网络。
　　(4)根据色彩学理论对PANTONE色相环进行区间划分，使用区间分类划分边界值的方法。为主观色彩色相的数字化提供了重要的依据。实验以2007-2016年由国际色彩委员会发布的国际春夏女性服装流行色定案作为研究数据，借助基于群落层次演化多蜂群协同算法的神经网络HABCNN，讨论了神经网络模型中隐含层的不同节点数对预测精度的影响。并进一步预测了下一年度春夏女装流行色（色相、明度和纯度）的变化趋势，可为国内中小型服装企业提供流行色预测的技术手段，以更好地捕捉市场意识形态，降低产品投入风险。

目录

声明

摘要

第一章 引言

1．1 研究目的与意义

1．2 研究背景

1．3 服装流行色

1．3．1 服装流行色的概念

1．3．2 服装流行色趋势的发布

1．3．3 服装流行色预测研究的背景

1．4 生物启发式计算

1．4．1 启发式计算概述

1．4．2 粒子群算法

1．5 研究框架与内容

1．5．1 论文研究内容

1．5．2 论文研究框架

第二章 层次协同演化统一框架与模型

2．1 引言

2．2 选择研究对象

2．3 层级生物系统中的个体、种群、群落演化模式

2．3．1 个体的觅食行为

2．3．2 种群的信息交流模式

2．3．3 群落的多型共生模式

2．4 基于层次协同演化的统一优化模型

2．5 本章小结

第三章 基于群落层次演化的多蜂群协同优化算法

3．1 引言

3．2 人工蜂群算法

3．3 基于分而治之策略的多种群协同演化

3．3．1 向量分解策略

3．3．2 基于交叉操作的增强学习策略

3．4 基于层次演化的混合蜂群优化算法

3．4．1 算法描述

3．4．2 实验与结果分析

3．5 本章小结

第四章 基于群落层次演化多蜂群协同算法的神经网络训练

4．1 引言

4．2 神经网络

4．3 BP神经网络

4．3．1 BP神经网络的概念

4．3．2 BP神经网络学习原理

4．4．3 BP神经网络实现步骤

4．5 基于层次演化多蜂群协同算法的BP神经网络训练过程

4．5．1 曲线拟合测试

4．5．2 数值计算问题

4．6 本章小结

第五章 基于群落层次演化多蜂群协同算法的服装流行色色相预测

5．1 引言

5．2 服装流行色定案量化与分析

5．2．1 PANTONE色彩体系

5．2．2 量化与分类

5．3 基于HABCNN神经网络理论的女装春夏流行色色相预测

5．3．1 基于改进神经网络的女装流行色色相预测模型

5．3．2 预测结果与分析

5．4 本章小结

第六章 基于群落层次演化多蜂群协同算法的服装流行色明度与纯度预测

6．1 引言

6．2 基于HABCNN神经网络理论的女装春夏流行色明度预测

6．2．1 预测流程

6．2．2 预测结果与分析

6．3 基于HABCNN神经网络理论的女装春夏流行色纯度预测

6．3．1 预测方案设计

6．3．2 预测结果与分析

6．4 本章小结

第七章 结论

总结与展望

参考文献

发表论文和参加科研情况

致谢