王瑞，左磊，羅毅，許耐冬，楊穎重慶大學(xué)

基于遺傳算法的人機(jī)交互式測(cè)謊參數(shù)搜索算法研究

王瑞，左磊，羅毅，許耐冬，楊穎重慶大學(xué)

“說(shuō)謊”作為一種概念和行為現(xiàn)象，在人類(lèi)社會(huì)中普遍存在，這一現(xiàn)象在道德范圍內(nèi)是不被允許的，在一般社會(huì)生活中也不被提倡，它頻繁的出現(xiàn)在我們與他人的社會(huì)互動(dòng)和社會(huì)交往中，對(duì)個(gè)體和社會(huì)有著深刻的影響。為消除或減輕“說(shuō)謊”所造成的負(fù)面影響，測(cè)謊技術(shù)應(yīng)運(yùn)而生。目前，測(cè)謊技術(shù)已被許多國(guó)家信任并被廣泛應(yīng)用于刑偵，民事審判等多個(gè)領(lǐng)域，與此同時(shí)，如何對(duì)測(cè)謊過(guò)程中的各種參數(shù)合理取值作為影響測(cè)謊結(jié)果的關(guān)鍵環(huán)節(jié)越來(lái)越成為被關(guān)注的焦點(diǎn)。針對(duì)此問(wèn)題，本文提出利用遺傳算法，通過(guò)人機(jī)交互的方式求解測(cè)謊參數(shù)的最優(yōu)值，即對(duì)遺傳算法靈活應(yīng)用，進(jìn)一步，通過(guò)實(shí)驗(yàn)和得出，將遺傳算法應(yīng)用于測(cè)謊參數(shù)的確定具有更大的發(fā)展?jié)摿蛻?yīng)用價(jià)值。

遺傳算法；人機(jī)交互；測(cè)謊技術(shù)；正態(tài)變異

1.問(wèn)題背景

隨著現(xiàn)代電子技術(shù)以及與測(cè)謊相關(guān)的生理學(xué)和心理學(xué)的發(fā)展，測(cè)謊技術(shù)越來(lái)越趨于多樣化，例如，中國(guó)自主研制的PG-1自主測(cè)試系統(tǒng)采用了傳統(tǒng)的多道測(cè)謊技術(shù)，通過(guò)采集脈搏，呼吸以及皮膚電阻三種生物信號(hào)實(shí)現(xiàn)測(cè)謊，國(guó)外的一些測(cè)謊儀采用了較為先進(jìn)的基于功能性磁共振成像和事件相關(guān)電位技術(shù)的P300測(cè)謊技術(shù)。但無(wú)論采用哪種測(cè)謊技術(shù)都要面臨同一個(gè)問(wèn)題，即如何為測(cè)謊過(guò)程中的權(quán)重，閾值等參數(shù)合理取值。

2.測(cè)謊參數(shù)搜索算法

測(cè)謊過(guò)程中測(cè)謊參數(shù)的求解實(shí)際上是一個(gè)常見(jiàn)的優(yōu)化問(wèn)題，決策變量是測(cè)謊過(guò)程中的權(quán)重、閾值等各種參數(shù)，優(yōu)化目標(biāo)是特定參數(shù)下的測(cè)謊系統(tǒng)的測(cè)謊準(zhǔn)確率，限制條件由具體測(cè)謊方法和過(guò)程指定。

遺傳算法是一種基于自然選擇原理和自然選擇機(jī)制的搜索最優(yōu)算法，該算法的實(shí)質(zhì)是通過(guò)群體搜索技術(shù)，對(duì)選定的初始種群根據(jù)適者生存的原則進(jìn)行逐代進(jìn)化，最終得到最優(yōu)解或準(zhǔn)最優(yōu)解，于對(duì)非線性極值問(wèn)題能以概率1跳出局部最優(yōu)解的優(yōu)點(diǎn)，找到全局最優(yōu)解，其核心在于遺傳和變異。

2.1 遺傳算法中初始變量的選取

下為算法中所涉及的參數(shù)及相應(yīng)的選取原則：

種群大?。褐饕鶕?jù)運(yùn)算量以及運(yùn)算速度確定；

最大代數(shù)：根據(jù)所要求的精確程度以及算法的收斂速度確定

交叉率：交叉操作可使父代中的優(yōu)良特性在子代中集中，但也應(yīng)適當(dāng)選取交叉率防止交叉率過(guò)高優(yōu)質(zhì)個(gè)體不能延續(xù)；

變異率：變異率與算法的搜索范圍正相關(guān)，由于測(cè)謊過(guò)程中所需的搜索范圍較大，交叉率應(yīng)大于0.5；

最大遺傳代數(shù)：由算法的收斂速度決定。

2.2 初始種群和編碼策略

本法以均勻概率隨機(jī)生成初始種群并采用變化隨機(jī)性較強(qiáng)的二進(jìn)制編。設(shè)隨機(jī)序列w1w2wi作為染色體，其中，0 wi1(i=1，2,3),每一個(gè)序列和種群中的一個(gè)體對(duì)應(yīng)。例如，一個(gè)三變量的問(wèn)題中一個(gè)個(gè)體為：

N（0，σ2）①

設(shè)各變量的最小值和最大值分別為0和1，再用5位二進(jìn)制編碼，則編碼后的結(jié)果為：

2.3 交叉操作

假設(shè)交叉點(diǎn)在第五個(gè)基因處，則交叉后的基因?yàn)椋?/p>

這種交叉操作能使子代較好的繼承父代的優(yōu)良特性，同時(shí)也蘊(yùn)含了變異操作的隨機(jī)性。

2.4 變異操作

本法中采用正態(tài)變異，其基本思路為：設(shè)變異的個(gè)體是，經(jīng)過(guò)正態(tài)變異后的新個(gè)體為，y1,y2,…，xn,則

yi=xi+ξ i=1,2,…n⑤

其中是服從均值為0、方差為的正態(tài)分布N(0,σ2)的隨機(jī)變量，σ選取在（0,1）區(qū)間內(nèi)較好，選取時(shí)要考慮二進(jìn)制編碼和變異方法。

2.5 適應(yīng)度值的計(jì)算

首先將該個(gè)體所對(duì)應(yīng)的各參數(shù)值代入實(shí)驗(yàn)中對(duì)所選擇的實(shí)驗(yàn)對(duì)象進(jìn)行測(cè)謊實(shí)驗(yàn)，得到每個(gè)實(shí)驗(yàn)對(duì)象的測(cè)謊結(jié)果。

然后對(duì)所有實(shí)驗(yàn)對(duì)象進(jìn)行詢(xún)問(wèn)，確定其對(duì)于相同問(wèn)題的實(shí)際的說(shuō)謊情況。若實(shí)際情況與實(shí)驗(yàn)測(cè)得的情況相符，則對(duì)于該個(gè)體的測(cè)謊實(shí)驗(yàn)準(zhǔn)確，否則為不準(zhǔn)確。

最后，將測(cè)謊實(shí)驗(yàn)的準(zhǔn)確率作為該個(gè)體所對(duì)應(yīng)的適應(yīng)度值，輸入回計(jì)算機(jī)，使程序繼續(xù)運(yùn)行。

其中，為實(shí)驗(yàn)的準(zhǔn)確次數(shù)，為總實(shí)驗(yàn)次數(shù)。σ的值越接近于1，說(shuō)明該個(gè)體越理想，反之越不理想。

適應(yīng)度值的確定是實(shí)驗(yàn)的關(guān)鍵環(huán)節(jié)，由人和計(jì)算機(jī)共同完成，體現(xiàn)了人機(jī)交互的思想。

2.6 子代的產(chǎn)生與迭代

適應(yīng)度值產(chǎn)生后，應(yīng)根據(jù)其值的大小選擇作為下一代的遺傳個(gè)體，為處理該問(wèn)題，首先選擇交叉變異后適應(yīng)度值較大的前個(gè)作為下一代個(gè)體的一部分（的大小依種群大小和實(shí)際搜索范圍而定），然后，為了保證種群中的個(gè)體數(shù)不變，再以產(chǎn)生初始種群的方法產(chǎn)生組個(gè)體（等于總種群數(shù)減去i），最終，以產(chǎn)生的i組和i'組個(gè)體作為經(jīng)過(guò)一次進(jìn)化后下一代的群。

最后，不斷迭代，當(dāng)實(shí)際遺傳的次數(shù)達(dá)到設(shè)定的遺傳次數(shù)時(shí)，輸出參數(shù)值，作為最終的最優(yōu)測(cè)謊參數(shù)。

[1]官金安，陳亞光，黃敏.單通道腦電信號(hào)中誘發(fā)電位的單次提取，生物醫(yī)學(xué)工程學(xué)雜志,2006，23(2):252-256.

[2]Huang G B,Zhu Q Y,Siew C K.Extreme learning machine: theory and application[J],Neurocomputing,2006,70(1):489-501.

[3]高軍峰，張文佳，楊勇，馬君君，官金安.基于主成分分析和極端學(xué)習(xí)機(jī)的測(cè)謊方法研究2006.