劉溢鑫

摘 要： 為了提高足球射門的準確度，提出數(shù)據(jù)挖掘的足球最優(yōu)射門角度分析算法。采用粒子群算法把球場規(guī)劃為一個虛擬的網(wǎng)格環(huán)境，對足球射門路徑點實時標定和疊加特性進行分析，根據(jù)球場環(huán)境中的信息素，粒子群算法實現(xiàn)進球概率優(yōu)化求解，以路徑適應度函數(shù)為優(yōu)化目標函數(shù)進行射門角度特征數(shù)據(jù)挖掘，求得路徑適應度函數(shù)的最優(yōu)解即為最優(yōu)射門角度的解向量。仿真結(jié)果表明，該算法可以在復雜程度不同的球場環(huán)境中規(guī)劃出一條最優(yōu)進球路徑，可以用于指導足球訓練。

關(guān)鍵詞： 數(shù)據(jù)挖掘； 射門角度； 粒子進化； 路徑適應度函數(shù)

中圖分類號： TN911.1?34； TP391.9 文獻標識碼： A 文章編號： 1004?373X（2017）17?0124?03

Data mining based analysis algorithm of football optimal shooting angle

LIU Yixin

（Chengdu College， University of Electronic Science and Technology of China， Chengdu 611731， China）

Abstract： In order to improve the accuracy of football shooting， a data mining based football optimal shooting angle analysis algorithm is proposed. The particle swam algorithm is used to plan the football field as a virtual network environment， calibrate the path point of football shooting in real time， and analyze the superposition characteristics. According to pheromone in football field environment， the particle swam algorithm is adopted to perform optimization solution for the goal probability. The path fitness function is taken as the optimal target function to carry out data mining for shooting angle feature. The obtained optimal solution of path fitness function is deemed as the solution vector of optimal shooting angle. The simulation results show that the algorithm can plan an optimal goal path in football field environment with different complexities， and is applicable for the guidance of football training.

Keywords： data mining； shooting angle； particle evolution； path fitness function

0 引 言

足球是當前世界上最為流行的運動項目之一，隨著各個國家對足球運動發(fā)展的重視，對足球運動的科學訓練研究受到人們的重視。足球射門是贏得比賽的關(guān)鍵環(huán)節(jié)，足球射門的技巧性較強，需要對足球射門角度進行最優(yōu)化求解，通過建立足球射門角度分析的數(shù)學模型，采用計算機仿真和數(shù)學建模方法進行最優(yōu)射門角度分析，實現(xiàn)對足球射門訓練的科學分析，提高進球概率，結(jié)合射門路徑規(guī)劃進行足球射門運動軌跡的路徑分析，能夠以合理的射門角度完成射球。

為了更好地完成足球射門訓練，提出基于數(shù)據(jù)挖掘的足球最優(yōu)射門角度分析算法，采用數(shù)據(jù)挖掘分析方法進行足球最優(yōu)射門角度模擬分析，包括球場網(wǎng)格環(huán)境的建立，適應度函數(shù)構(gòu)建和路徑規(guī)劃，最后通過仿真實驗進行驗證分析。

1 足球場運動軌跡虛擬網(wǎng)格環(huán)境設計

首先把球場規(guī)劃為一個虛擬的網(wǎng)格環(huán)境，根據(jù)復雜適應系統(tǒng)理論[1]及粒子群進化算法對足球射門的飛行路徑點進行粒子編碼，通過粒子編碼釋放一種信息素進行足球的射門角度和路徑引導，設置初始位形，獲得目標位置的地形，采用算法把球場規(guī)劃為一個虛擬的網(wǎng)格環(huán)境[2]，構(gòu)建一個10×10的網(wǎng)格結(jié)構(gòu)模型表示足球運動場的虛擬網(wǎng)格結(jié)構(gòu)，如圖1所示。

在圖1所示的足球運動場的虛擬網(wǎng)格結(jié)構(gòu)中進行最優(yōu)射門角度的路徑解向量分析，構(gòu)建多叉樹混合網(wǎng)絡，獲得抓取目標解，在進行足球最優(yōu)射門角度優(yōu)選過程中，設時刻粒子群的先驗信息特征點分布為足球飛行軌跡中的目標移動點為，采用隨機采樣位形擴展方法進行足球射門的偏轉(zhuǎn)角和飛行弧度估計，定義環(huán)境參數(shù)描述空間內(nèi)每點處的障礙信息，表示防守隊員的位置信息素特征量，第個防守隊員的位置為粒子的最優(yōu)位置，表示為，則足球射門的初始位形與目標落地點的距離為：

（1）

2 粒子群算法的足球射門路徑參數(shù)標定

采用粒子旋轉(zhuǎn)門策略進行足球射門的路徑點實時標定和疊加特性分析，根據(jù)足球射門后的飛行方向、距離、速度等向量，采用粒子算法[3]得到粒子個體的位置向量解表示為。0表示此地點信息素初始化時較小，每個粒子追隨當前的種群達到最優(yōu)射門角度時信息素接近于1。根據(jù)球場環(huán)境中的信息素進行粒子全局最優(yōu)位置尋優(yōu)[4]，假設足球射門路徑點的最大迭代次數(shù)為當前迭代代數(shù)為得到整個種群的全局最優(yōu)位置的慣性權(quán)重為：endprint

（2）

采用粒子計算方法得到目標進球位置點處粒子群個體在時刻的位置初始位形向量為足球落地點的位置更新迭代式為：

（3）

設置足球飛行過程中的旋轉(zhuǎn)軌跡隨機擴展標記位置更新公式如下：

（4）

式中：為種群走過的路徑；為慣性權(quán)重；為智能體當前點的適應度系數(shù)；為鄰階選擇因子；和為旋轉(zhuǎn)粒子門的信息素。

根據(jù)球場環(huán)境中的信息素進行粒子計算實現(xiàn)進球概率優(yōu)化求解，在一次迭代完成后進行最優(yōu)位置局部尋優(yōu)，得到旋轉(zhuǎn)粒子門中出來的目標點姿態(tài)信息度為：

（5）

式中：為運動中的足球在時刻運動方位的估計值，足球在時刻的姿態(tài)信息度得到足球射門路徑粒子群標定的信息素為：

（6）

其中，足球射門路徑相交于點和點的方位置信度為：

（7）

根據(jù)貝葉斯定理[5]，足球射門路徑的飛行路徑數(shù)據(jù)根據(jù)其過去的測量值得到，根據(jù)上述設計，基于動態(tài)橢圓曲線求解方法得到射門角度粒子挖掘的遞歸計算表達式為：

（8）

通過路徑向量的疊加特性分析[6]可知足球的當前位姿及期望射門角度僅和相關(guān)，即：

（9）

應用粒子群算法求解足球有效射門的方位角，則有：

（10）

3 數(shù)據(jù)挖掘的足球最優(yōu)射門角度計算

基于最優(yōu)高斯隨機游走和個體篩選策略的差分進化方法進行數(shù)據(jù)挖掘[7?8]，根據(jù)球場環(huán)境中的信息素進行粒子計算，實現(xiàn)進球概率優(yōu)化求解，進球概率密度函數(shù)為：

（11）

根據(jù)粒子群體信息交換機制對足球射門的路徑點進行粒子比特編碼，求出路徑適應度解向量路徑點信息解滿足采用路徑方法對進行調(diào)整加權(quán)得到足球最優(yōu)射門角度的特征參量數(shù)據(jù)挖掘的加權(quán)值為：

（12）

式中：為球場環(huán)境中信息素的選擇因子。

根據(jù)球場環(huán)境中的信息素進行粒子計算，實現(xiàn)進球概率優(yōu)化求解，得到最優(yōu)解為：

（13）

綜上分析，構(gòu)建足球射門的路徑適應度函數(shù)：

（14）

以此為優(yōu)化目標函數(shù)進行射門角度特征數(shù)據(jù)挖掘，最優(yōu)射門角度的解向量為：

（15）

當，此時通過上述分析，采用數(shù)據(jù)挖掘算法得到射門規(guī)劃優(yōu)化下的射門運動最短路徑，且能夠以合理的射門角度實現(xiàn)射門進球。

4 結(jié)果與分析

實驗構(gòu)建虛擬的足球運動場分布環(huán)境，采用Matlab仿真工具進行數(shù)據(jù)挖掘算法設計和相關(guān)參數(shù)選擇，仿真實驗的硬件環(huán)境為：Intel Core3?530 1 GB內(nèi)存，操作系統(tǒng)為Windows 7，結(jié)合圖1所示的足球運動場的虛擬網(wǎng)格結(jié)構(gòu)，布置球門和攻防陣容如圖2所示。

在上述仿真環(huán)境中，取標準的11人制足球運動場為測試環(huán)境，得到在靜態(tài)環(huán)境中的足球攻防路徑分布如圖3所示。

圖4給出了在靜態(tài)環(huán)境下的足球射門角度路徑分布圖。分析圖4得知，采用本文方法在靜態(tài)環(huán)境下進行足球最優(yōu)射門角度分析，利用粒子態(tài)的疊加特性能準確實現(xiàn)最優(yōu)路徑計算。

圖5給出采用本文方法和傳統(tǒng)方法在動態(tài)未知環(huán)境下分別采取射門初始速度為15 m/s和5 m/s的射門角度和路徑計算結(jié)果。

分析結(jié)果可見，采用本文方法規(guī)劃出的足球射門角度與理想最優(yōu)路徑吻合，表1給出了足球最優(yōu)射門角度計算參量分析結(jié)果，分析得知，本文方法能在較短的時間內(nèi)規(guī)劃出足球射門的最優(yōu)角度，計算開銷較低，準確性較好。

5 結(jié) 語

本文提出基于數(shù)據(jù)挖掘的足球最優(yōu)射門角度分析算法，采用粒子群算法實現(xiàn)對足球最優(yōu)射門角度的最優(yōu)特征參量求解。研究結(jié)果表明，該算法進行足球最優(yōu)射門角度求解，在復雜程度不同的球場環(huán)境中能規(guī)劃出一條最優(yōu)進球路徑，對指導足球訓練具有一定的實用價值。

參考文獻

[1] 喬俊飛.動態(tài)路徑規(guī)劃中的改進蟻群算法[J].清華大學學報，2010，48（z2）：1748?1751.

[2] BLASI A， BARBATO S， MATTEI M. A particle swarm approach for flight path optimization in a constrained environment [J]. Aerospace science and technology， 2013， 26（1）： 128?137.

[3] 吳憲祥，郭寶龍，龍娟.基于粒子群三次樣條優(yōu)化的移動機器人路徑規(guī)劃算法[J].機器人，2010，31（6）：556?560.

[4] 趙娟平，高憲文，符秀輝，等.移動機器人路徑規(guī)劃的改進蟻群優(yōu)化算法[J].控制理論與應用，2011，28（4）：458?461.

[5] 羅乾又，張華，截興哲，等.改進人工勢場法在機器人路徑規(guī)劃中的應用[J].計算機工程與設計，2011，32（4）：1411?1415.

[6] 梁聰剛，王鴻章.微分進化算法的優(yōu)化研究及其在聚類分析中的應用[J].現(xiàn)代電子技術(shù)，2016，39（13）：103?107.

[7] 李牧東，趙輝，翁興偉，等.基于最優(yōu)高斯隨機游走和個體篩選策略的差分進化算法[J].控制與決策，2016，31（8）：1379?1386.

[8] 王勛，張代兵，沈林成.一種基于虛擬力的無人機路徑跟蹤控制方法[J].機器人，2016，38（3）：329?336.endprint