采用多蜂群协同演化算法的服装流行色预测

赵 黎， 杨连贺， 黄 新

(1. 天津工业大学 纺织学院， 天津 300387； 2. 天津师范大学 计算机与信息工程学院， 天津 300387)

在服装流行的预测中，准确预测流行色不仅可以为产业链的销售环节提供重要采购参考，还可以为制造环节提供生产方案，增强服装企业相关产品市场竞争力[1]。目前较流行的服装流行色预测方法有色彩值偏爱数值法[2]、彩色卡空间位置研究法[3]、灰色系统理论[4-5]、神经网络[6]以及将灰色系统理论和神经网络结合而产生的灰色神经网络组合理论[7-8]等。这些定量方法可预测出下一年的流行色信息，但是其预测精度有待提高。

蜂群算法虽然研究比较晚，但是其优良的算法特性越来越贴近自然界中蜂群的生物特征[9-11]，更多地通过群落信息交换提高协同优化效果[12-14]。基于此，本文提出了一种具有层次协同演化机制的统一框架模型，并借此对经典生物启发式算法加以改进；利用改进算法优化人工神经网络的权值，提升其模拟目标对象的精度和效果；最终，将高精度人工神经网络模型应用于预测下一年服装流行色色相环节，为定量法预测服装流行色跟踪预测提供了一种可靠的技术手段。

1 层次协同演化蜂群优化算法

在人工蜂群算法(ABC)[15-16]的基础上提出群落层次系统演化统一优化模型，采用分而治之策略，对目标高维问题随机划分成若干低维度子问题，实现降维操作。

1.1 层次协同演化模型

构建的优化框架[14]如图1所示。

图1 基于生物群体行为的层次优化模型Fig.1 Hierachical optimization model based on swarm behaviors

个体层代表底层成员个体，本身有其生物属性；中间层为种群层，具有微观特性与宏观特性并存的特点，也是基本信息交互层，通过彼此学习提高子群的性能；上层是代表种群中的群落层，这个群落中包含大量的群众成员，采用环形拓扑策略，加强种群间的信息交互，保持种群与种群间的多样性；环境是指优化的目标函数。

1.2 群落层次演化的多蜂群协同优化算法

1.2.1基于分而治之策略的多种群协同演化

目前，分而治之策略的协同进化主要有2种方法：一种是将函数的高维搜索空间分成低维度的子分量；另一种是将复杂非线性函数映射分解成子函数[17]。本节将重点研究高维向量空间里面的智能分解策略。

1.2.1.1向量分解策略 首先，将维度为D的向量分解为K个S维子向量；其次，采用随机分组策略，相对于固定分组，随机分组策略将增大存在依赖关系的变量分在一组的概率；另外，分解的组数K并不是一成不变的，而是按照目标问题维度D的约数集合进行，例如对于100维向量，可选择K=2, 5, 10, 20, 25, 50等；最终，采取向量组合方式，每组都存在最优向量组合Gbest=(P1·g,P2·g,Pj·g，PK·g)，其中：第j个子群表示为Pj，j∈[1，…，k]；g为每个子群的最优解。每次迭代如果子代性能优于向量组合则进行替换。

1.2.1.2基于交叉操作的增强学习策略 借鉴遗传算法的交叉操作，在多个种群中寻找最优个体，交换优质食物源，按照此方法在整个群落中进行交叉操作。

步骤1：精英选择构建(BPL)。为找到最优的食物源，本文算法首先在个体所在的当前子群进行搜索，然后再计算其他子群适应度。为有效建立选择精英，种群之间的联系选择环形拓扑结构，比较简单清楚。

步骤2：BPL的父代选择。为使找到的解最优，必须使其父代最优，所以在精英构建群中选择2个最优的精英，为保证其公平性，采取锦标赛方式，最终可有效地选择适应度最高的父代。

步骤3：使用式(1)种群间的单点交叉操作。

snew=rand(0,1)×p1+rand(0,1)×p2

(1)

式中：p1和p2为从BPL中选择的父代精英；rand(0,1)为随机函数。

步骤4：自我更新。为进行种群的最优化，需要按照某种算法淘汰子群中一定数量的个体。实验采用贪婪算法将最优者留下。

1.2.2算法描述

基于图1示出的分层人工蜂群算法(HABC)模型分3层结构，分层人工蜂群算法整体流程见图2。

图2 HABC算法流程图Fig.2 Flowchart of HABC algorithm

2 实 验

为测试基于群体层次演化的多蜂群协同优化算法求解高维度问题的性能，本文将采用该算法对BP人工神经网络(BPNN)中的权值进行优化，以期获得更好的模拟效果，并在此基础上将基于蜂群层次协同算法的人工神经网络(HABCNN)应用于服装流行色色相预测领域中，以获得更好的预测精度。

2.1 蜂群层次协同算法的神经网络训练

2.1.1HABCNN训练过程

2)个体适应度函数计算。训练网络中均方误差平方和M及绝对误差E作为群体智能算法适应度函数使用如下公式：

(2)

(3)

输出神经网络权值参数获取。

采用人工蜂群算法不断更新网络的权值W，提高网络性能，减少误差值，达到误差精度或最大的迭代次数[18]。输出最优解即所对应的神经网络权值参数。

2.1.2曲线拟合测试

逼近函数为f(x)=sinx+1.5sin(2x)，输入xi为在[0,4π]区间上间隔为0.1的等差数列。选用1输入1输出的BP拟合样本，并确定4为隐形节点数。图3～5分别示出BP拟合算法、使用ABC拟合算法以及使用HABC拟合算法构成的曲线。图中方点为目标函数曲线。HABC训练方法构成的2条曲线相似程度较高，其次是ABC方法，最后是BP方法。

图3 以BP为基础的神经网络逼近曲线Fig.3 BP based curve neural network for function approximation

图4 以ABC为基础的神经网络逼近曲线Fig.4 ABC-based curve neural network for function approximation

图5 以HABC为基础的神经网络逼近曲线Fig.5 HABC based curve neural network for function approximation

表1示出3种算法的最大绝对误差Emax、最小绝对误差Emin、平均绝对误差Eave及绝对误差方差Estd。HABC方法得到的极端数据和绝对误差均小于其他2种方法，多次实验结果也充分表明方差数据也呈现这样一种趋势，故以HABC方法为基础的计算方法在实际应用中更具有操作性和实践性，数据也更加准确。

图6示出平均10次的训练收敛曲线。可明显看出在训练过程中基于ABC的方法要优于BP方法，其中HABC的性能更为优越。

表1 最终计算误差 Tab.1 Final calculation error

图6 训练过程的收敛曲线Fig.6 Convergence curves of training process

实验结果表明，基于群落层次演化多蜂群协同算法优化的神经网络在收敛速度、学习效率等方面均比传统算法如BP神经网络算法[19]、基于人工蜂群算法优化的神经网络的效果更好。

2.2 采用蜂群协同算法的服装流行色预测

实验在2007—2016年的国际春夏女装流行色定案统计分析的基础上，依据色彩学理论中区间分类划分边界值方法对PANTONE色相进行分区，并借助HABCNN算法对2017年女装流行色的色相进行预测。

2.2.1色相预测

基于改进神经网络的流行色色相预测的主要步骤概括如下：1)随机生成人工神经网络的初始权值wij，范围限制在0～1之间；2)历史数据的量化与分析，提炼出10类色彩的历年比率表；3)改变历史数据格式，转化成可用于人工神经网络训练的数据结构；4)将训练数据导入人工神经网络；5)采用启发式智能优化算法修改人工神经网络的传播权值；6)测定计算误差(e)，如e小于设定误差值E′，则停止；否则重复步骤5)，直至满足误差条件为止；7)导入预测样本；8)获取流行色预测值。

本文实验以3年时间序列为基础预测后4年的10色相流行概率为例，来测试HABCNN的性能。表2示出基于BPNN和HABCNN不同隐含层节点数时对2010—2017年春夏流行色的预测值。

由表2可看出，通过设置不同隐藏层节点数发现，节点数为10的预测数值比节点数为6的更逼近期望值。当收敛速度较稳定(即隐藏节点数大于5)时，使用HABCNN预测的色相值更逼近于期望值，精度大大高于传统神经网络。采用网络结构为输入层3 个节点，隐藏层分别为6个和10个节点，输出层1个节点的HABCNN对2017年色相的预测结果为：流行概率较高的是黄、黄红、红紫、绿这4个颜色，蓝色有一定概率流行，而其他色相流行的概率相对较低。

2.2.2预测结果与分析

PANTONE公司于2016年9月23日在其官方网站上公布了2017年春夏流行色，对其进行色相统计后得到表3。对比发现，采用基于HABCNN模型的预测值为黄、黄红、紫蓝、绿这4个颜色的出现有较高概率(大于10%)，蓝色的出现有一定概率(9.6%，接近10%)，红紫的出现概率非常低(远小于10%)；而2017年，黄红色出现3个，绿色出现2个，黄色、红色、红紫、紫蓝、蓝色分别出现1个，与2.2.1预测的结果基本一致；但预测误差较大的为红紫色，而对比红紫色的出现频率可看出，红紫色出现的概率一向较低，出现的随机性较强。

表2 基于BPNN和HABCNN不同隐含层节点数时对2010—2017年春夏流行色的预测概率值Tab.2 Predicted hues from 2010 to 2017 by different numbers of hidden layer nodes by BPNN and HABCNN

注：H表示HABCNN计算出的值；B表示BPNN计算的值；字母后面的数字代表隐含层的节点数，如H10表示使用HABCNN，隐含节点数为10的预测值；MAE表示平均绝对误差。

表3 2017年PANTONE发布的春夏流行色的色相统计Tab.3 Hue statistics of 2017 spring/summer fashion color palettes issued by PANTONE

3 结 论

提出了一种基于群落层次演化的多蜂群协同优化算法，该算法采用分而治之策略，将高维度的问题划分成若干个低维度的子问题，每个子问题采用一个子种群加以求解，并采用基于交叉操作的增强学习策略来强化种群之间的学习效果，实现层次演化优化。

采用基于群体层次演化的多蜂群协同优化算法求解人工神经网络的权值，解决传统基于梯度下降法、数值优化法的神经网络训练易陷入局部最小值、计算复杂、对网络的初始权值和参数极为敏感的缺陷。最终采用基于群落层次演化多蜂群协同算法的人工神经网络HABCNN作为服装流行色预测模型，借此分析不同隐含层节点个数对色相预测精度的影响。

与传统预测方法相比，本文提出的算法有效地提高了流行色预测精度，可为国内服装相关企业提供较早和便利的预测信息。

[1] 吴平. 流行色趋势预测发布和中国发布历史[J].流行色，2007(10)：97-103.

WU Ping. Fashion color prediction and China releases history [J]. Fashion Color， 2007(10)：97-103.

[2] 李鹏. 流行色信息系统的研究 [D].西安：西北纺织工学院，2000：36-45.

LI Peng. Fashion color information system [D].Xi′an: Northwest Institute of Textile Science and Technology, 2000：36-45.

[3] 周琴.用回归分析法预测服装流行色[D].无锡：江南大学，2005：19-27.

ZHOU Qin. Forecasting the fashion color of clothing by regressing analysis method[D]. Wuxi:Jiangnan University， 2005：19-27.

[4] 吴志明，李熠. 服装流行色的色彩意向灰色预测[J].纺织学报，2009，30(4): 94-100.

WU Zhiming，LI Yi. Clothing fashion color image scale grey forecast [J]. Journal of Textile Research，2009，30(4)：94-100.

[5] 常丽霞, 高卫东, 潘如如,等.灰色GM(1,1)模型在国际春夏女装流行色色相预测中的应用[J].纺织学报， 2015，36(4):128-133.

CHANG Lixia，GAO Weidong，PAN Ruru，et al. Hue prediction on intercolor for women′s spring/summer using GM(1,1) models[J]. Journal of Textile Research, 2015，36(4)：128-133.

[6] 狄宏静，刘冬云，吴志明.基于BP神经网络的春夏女装流行色预测 [J].纺织学报，2011，32(7)：111-116.

DI Hongjing，LIU Dongyun，WU Zhiming. Forecast of women′s spring/summer fashion color based on BP neural network [J].Journal of Textile Research，2011，32(7)：111-116.

[7] 苏博，刘鲁，杨方廷.基于灰色关联分析的神经网络模型[J].系统工程理论与实践，2008，28(9)：98-104.

SU Bo，LIU Lu，YANG Fangting. Research of artificial neural network forecasting model based on grey relational analysis[J]. Systems Engineering Theory & Practice，2008，28(9)：98-104.

[8] 吴也哲,翟永超,孙莉.基于灰色前馈神经网络的流行色预测[J].东华大学学报(自然科学版)，2011， 37(2)：199-204.

WU Yezhe，ZHAI Yongchao, SUN Li. Fashion color forecast based on gray back propagation neural network model[J].Journal of Donghua University(Natural Science Edition)， 2011，37(2)：199-204.

[9] BASTURK B， KARABOGA D. A modified artificial bee colony algorithm for real-parameter optimization [J]. Information Sciences，2012，192 (1):120-142.

[10] GAO W, LIU S, HUANG L. A novel artificial bee colony algorithm with powell′s method [J]. Applied Software Computing，2013，13(9)：3763-3775.

[11] COELHO L S， ALOTTO P. Gaussian artificial bee colony algorithm approach applied to loneys solenoid benchmark problem[J]. IEEE Transactions Magnetics， 2011，47(5)： 1326-1329.

[12] ALATAS B. Chaotic bee colony algorithms for global numerical optimization. expert system[J].Expert Systems with Applications， 2010，37 (8)：5682-5687.

[13] COELHO L S， ALOTTO P. Gaussian artificial bee colony algorithm approach applied to loneys solenoid benchmark problem[J]. IEEE Transactions Magnetics， 2011，47(5)：1326-1329.

[14] 朱云龙，陈瀚宁，申海. 生物启发计算：个体、群体、群落演化模型与方法[M]. 北京：清华大学出版社，2013：120-145.

ZHU Yunlong, CHEN Hanning, SHEN Hai. Biologically Inspired Computing: Models and Methods for Individual, Population, and Community Evolution[M]. Beijing：Tsinghua University Press, 2013：120-145.

[15] QI Xiangbo. A learnable artificial bee colony algorithm for numerical function optimization[C]// ZHU Yunlong, NAN Lin, MA Lianbo. Proceedings of 20th International Conference on Industrial Engineering and Engineering Management. Berlin： Spring International Publishing，2013:349-360.

[16] TIMMIS J, NEAL M. Artificial homeostasis: integrating biologically inspired computing[R]. Technical Report UWA-DCS-03-043, University of Wales, Aberystwyth，2003.

[17] AKAY B. Solving integer programming problems by using artificial bee colony algorithm[C]//KARABOGA D. Emergent Perspectives in Artificial Intelligence. Italy：Springer-Verlag Berlin Heidelberg，2009：355-364.

[18] 李伟强，徐建城，殷剑锋. 蜜蜂群优化算法用于训练前馈神经网络[J].计算机工程与应用，2009， 45(24)：43-49.

LI Weiqiang，XU Jiancheng，YIN Jianfeng. Bee colony optimization algorithm for training feed-forward neural networks [J]. Computer Engineering and Applications，2009， 45(24)：43-49.

[19] 常丽霞.服装流行色的量化与预测研究[D].无锡：江南大学，2013：45-60.

CHANG Lixia. Research on fashion color quantification and prediction[D]. Wuxi：Jiangnan University， 2013：45-60.