曾祥進(jìn) 田金文 陳建 劉柯

摘 要：多相機(jī)組網(wǎng)網(wǎng)絡(luò)設(shè)計具有多參數(shù)、多約束、運(yùn)算量大等特點(diǎn)，在理論上是一個復(fù)雜的優(yōu)化策略問題，尋找其絕對精確的最優(yōu)解通常需要很大的運(yùn)算量，因此在實現(xiàn)時必須考慮算法效能。利用基于粗糙集的啟發(fā)式屬性約簡算法獲得特征屬性的約簡，在此基礎(chǔ)上利用改進(jìn)的支持向量機(jī)對約簡信息進(jìn)行預(yù)測。為了獲得最優(yōu)預(yù)測精度，采用混沌粒子群優(yōu)化（PSO）算法以避免SVM預(yù)測模型的局部優(yōu)化。最后通過實驗對粒子群優(yōu)化（PSO）算法、改進(jìn)的PSO（IPSO）算法與混沌PSO（CPSO）算法性能進(jìn)行比較，分析結(jié)果表明，相比于其它方法，該方法在收斂速度以及防止局部尋優(yōu)等性能方面有較大提高。

關(guān)鍵詞：PSO;多相機(jī)組網(wǎng);混沌粒子群;網(wǎng)絡(luò)優(yōu)化

DOI：10. 11907/rjdk. 181991

中圖分類號：TP319文獻(xiàn)標(biāo)識碼：A文章編號：1672-7800（2019）004-0123-04

0 引言

在集成電路生產(chǎn)線，往往采用多臺設(shè)備（上料機(jī)、點(diǎn)膠機(jī)、固晶機(jī)、引線鍵合機(jī)等）組成流水線。為完成小批量、多樣式芯片的加工生產(chǎn)，需采用分布式多相機(jī)對樣片進(jìn)行識別與定位，因此涉及到對多相機(jī)組網(wǎng)網(wǎng)絡(luò)設(shè)計相關(guān)問題的研究。多相機(jī)組網(wǎng)網(wǎng)絡(luò)設(shè)計具有多參數(shù)、多約束、運(yùn)算量大等特點(diǎn)，在理論上是一個復(fù)雜的優(yōu)化策略問題，尋找其絕對精確的最優(yōu)解通常需要很大的運(yùn)算量，因此在實現(xiàn)時必須考慮算法效能。

不當(dāng)?shù)腟VM結(jié)構(gòu)參數(shù)可能導(dǎo)致預(yù)測精度降低，為了克服該問題，對其進(jìn)行優(yōu)化是十分必要的。粒子群優(yōu)化（PSO）算法具有良好的全局搜索能力，已被廣泛應(yīng)用于人工神經(jīng)網(wǎng)絡(luò)與SVM優(yōu)化中[1-7]，并取得了較好效果，提高了優(yōu)化效率。現(xiàn)行PSO 算法在搜索性能方面主要存在兩個問題： ①在搜索開始階段收斂較快，在趨近于極值點(diǎn)時的局部搜索調(diào)整卻比較慢， 而且不能保證收斂到局部最優(yōu)點(diǎn); ② 種群多樣性損失過快， 導(dǎo)致算法早熟[8-17]。針對相關(guān)問題，程畢蕓等[18]提出一種基于優(yōu)秀系數(shù)的局部搜索混沌離散粒子群優(yōu)化（ILCDPSO） 算法，并用于求解旅行商問題（TSP）;徐文星等[19]將混沌PSO作為全局搜索器， 并采用SQP加速局部搜索，使粒子能夠在快速局部尋優(yōu)基礎(chǔ)上對整個空間進(jìn)行搜索;周燕等[20]提出一種新的自適應(yīng)慣性權(quán)重混沌PSO 算法，該算法可分析不同參數(shù)情況下各算法性能之間的關(guān)系。為了消除PSO在SVM優(yōu)化中的缺陷，本文利用基于粗糙集的可辨識矩陣的啟發(fā)式屬性約簡算法獲得特征屬性的約簡，在此基礎(chǔ)上再利用改進(jìn)的支持向量機(jī)對約簡信息進(jìn)行預(yù)測。為了獲得最優(yōu)預(yù)測精度，同時采用混沌粒子群優(yōu)化（PSO）算法防止SVM預(yù)測模型的局部優(yōu)化，從而使預(yù)測精度顯著提高。

1 待優(yōu)化的多相機(jī)參數(shù)

針對集成電路封裝生產(chǎn)線特點(diǎn)， 本文主要對電路板上的芯片位置、引線位置、引腳等進(jìn)行定位測量，因此將其簡化為特征點(diǎn)加以考慮。

建立的相機(jī)簡化模型如圖1所示， 以單個相機(jī)為例，假設(shè)特征點(diǎn)i對應(yīng)于第i個相機(jī)，將特征點(diǎn)i的單位法向量L作為對稱軸， 設(shè)圓錐角度為q，[α]、[β]為球面坐標(biāo)AE角， 則有：

2 改進(jìn)的優(yōu)化算法

在預(yù)測優(yōu)化過程中，將所有特征屬性歸一化后再進(jìn)行樣本建模，顯然將增加系統(tǒng)計算量。此外，如果將樣本所有特征屬性送入支持向量機(jī)進(jìn)行預(yù)測，則對于某些不必要的特征屬性，還可能引起系統(tǒng)的預(yù)測誤判。因此，必須研究一種針對屬性特征重要性的判別方法。本文引入粗糙集理論判斷樣本屬性重要性，并得到屬性約簡。

式（7）中[ψ]為一般參數(shù)，顯然，屬性出現(xiàn)頻率越大，其重要性也越強(qiáng)。因此，通過式（7）的啟發(fā)式規(guī)則，先計算各屬性重要性，然后消去重要性較小的屬性，從而得到相對最小約簡屬性。

下面是粗糙集的啟發(fā)式屬性約簡算法：

輸入：決策表

輸出：相對約簡

算法步驟如下：①計算可辨識矩陣;②確定核屬性，并找出不含核屬性的屬性集合;③得到步驟②屬性組合的合取范式形式[F=∧（∨cij： （i=1，2，3？s;j=1，2，3？m））]，然后將得到的屬性集合轉(zhuǎn)化為析取范式形式;④依據(jù)式（7）計算并判斷所得屬性的重要性;⑤根據(jù)步驟④得到重要性較小的屬性并將其減去，得到約簡后的屬性。將約簡后的特征屬性送入支持向量機(jī)樣本建模器中進(jìn)行建模。

對于基于LS-SVM的RBF，高斯核寬度與正則化因子在SVM泛化能力中發(fā)揮了很大作用，因此對這兩個參數(shù)的優(yōu)化是十分必要的，本文采用混沌PSO算法優(yōu)化LS-SVM參數(shù)。

2.1 混沌粒子群優(yōu)化算法

粒子群優(yōu)化算法是通過模擬鳥群覓食行為而發(fā)展起來的一種基于群體協(xié)作的隨機(jī)搜索算法，并已成功應(yīng)用于神經(jīng)網(wǎng)絡(luò)、SVM等優(yōu)化中[10-11]。粒子群優(yōu)化算法搜索能力較差， 搜索精度低， 容易陷入局部極小解，并且對參數(shù)具有一定依賴性，因此，本文提出應(yīng)用混沌搜索以增加粒子多樣性?；煦缢阉骺梢栽谒阉骺臻g得到所有狀態(tài)，生成逼近優(yōu)化解決方案的鄰居以保持解的多樣性?；煦缗cPSO的結(jié)合可以防止優(yōu)化過程出現(xiàn)早熟。

2.2 預(yù)測模式

本文將各個相機(jī)位姿與成像參數(shù)作為待求解參數(shù)，為了提高預(yù)測模型的健壯性，采用混沌粒子群優(yōu)化算法優(yōu)化LS-SVM的正則化因子C與核寬度σ。

預(yù)測過程如下：①在各種約束條件下，將各個相機(jī)位姿與成像參數(shù)作為待求解參數(shù)，即式（5）簡化的3參數(shù)[Xi=[σiqiN]T]，隨機(jī)初始化種群中各粒子的位置與速度;②評價每個粒子適應(yīng)度，并認(rèn)為適應(yīng)度最佳的粒子位置為當(dāng)前最優(yōu)解;③根據(jù)當(dāng)前最優(yōu)解不斷更新調(diào)整每個粒子的位置與速度，重新計算當(dāng)前最優(yōu)解;④采用混沌PSO優(yōu)化正則化因子C和核寬度σ，累加每個SVM模型并輸出預(yù)測結(jié)果，若已達(dá)到預(yù)設(shè)的迭代次數(shù)或運(yùn)算精度，則停止搜索并輸出結(jié)果，否則返回步驟②。輸出結(jié)果中包含待求解的各項參數(shù)，即相機(jī)位姿與成像參數(shù)等。

采用PSO算法根據(jù)不同的隨機(jī)輸入可能得到不同結(jié)果，需要進(jìn)行多次計算，從中選擇最優(yōu)個體。

3 實驗

為了驗證算法性能，模擬設(shè)計集成電路封裝生產(chǎn)流水線的攝相機(jī)分布，其在Z平面投影為1m*2m，如圖2所示。 通過設(shè)定投影間隔，得到相應(yīng)的網(wǎng)格點(diǎn)。在設(shè)計過程中，所有相機(jī)采用同一型號， 并統(tǒng)一使用大恒uc130及25mm鏡頭。根據(jù)封裝生產(chǎn)線IC操作的投影面積1m*2m，估計所需相機(jī)個數(shù)為12個。圖3 為當(dāng)相機(jī)增加時個體的適應(yīng)值變化曲線。由圖3可知，隨著相機(jī)個數(shù)增多，適應(yīng)值增加量基本呈逐漸減少趨勢。

在PSO優(yōu)化過程中，設(shè)[c1=c2=1.2]，[ω=0.7]，粒子群大小為40。對于Logistic混沌搜索，設(shè)置[μ=3]，[a=1.1]，[b=0.2];對于Henon混沌搜索，設(shè)置[c=1.4]，[d=0.41]。Logistic和Henon混沌搜索性能比較如圖4、圖5所示。從圖中可以看出，Henon穩(wěn)定區(qū)間優(yōu)于Logistic，可提供更穩(wěn)定的PSO最優(yōu)擬合值，從而提高了混沌優(yōu)化工作效率。表1 給出了10個相機(jī)的優(yōu)化配置結(jié)果分析。

不同模型預(yù)測性能比較如表2所示。由表可知，本文方法比PSO-SVM和SVM模型預(yù)測效果更好，通過混沌搜索處理以避免局部最小值，能夠減少0.42%以上的預(yù)測誤差。對于每種型號相機(jī)，多次改變輸入相機(jī)個數(shù)，可得到不同相機(jī)個數(shù)下最優(yōu)的組網(wǎng)攝像測量精度。根據(jù)精度隨相機(jī)個數(shù)變化的曲線，從曲線中選擇滿足精度要求的該型號相機(jī)個數(shù)及對應(yīng)的優(yōu)化配置。

由表3可以看出，在35次實驗中，改進(jìn)CPSO 算法的實驗結(jié)果與IPSO 算法結(jié)果相比，CPSO算法能收斂到最優(yōu)值的次數(shù)有所提高，算法平均值也更接近最優(yōu)解，說明本文算法的性能有了一定程度提高。表4給出了當(dāng)種群大小為30時，各種算法求解結(jié)果的比較。從表中可以看出，在相同迭代次數(shù)下，改進(jìn)CPSO算法求解的最優(yōu)解更接近系統(tǒng)值。

4 結(jié)語

多相機(jī)組網(wǎng)網(wǎng)絡(luò)設(shè)計具有多參數(shù)、多約束、運(yùn)算量大等特點(diǎn)，在理論上是一個復(fù)雜的策略優(yōu)化問題，尋找其絕對精確的最優(yōu)解通常需要非常大的運(yùn)算量，因此在實現(xiàn)時必須考慮算法效能。本文提出一種新的預(yù)測混合智能模型，結(jié)合粗糙集理論約簡特征量和SVM的監(jiān)督學(xué)習(xí)挖掘成像參數(shù)數(shù)據(jù)中明顯與潛在的模式，采用混沌PSO算法優(yōu)化SVM參數(shù)。實驗結(jié)果證明，所提出的預(yù)測優(yōu)化方法相比于傳統(tǒng)方法是可行且有效的，預(yù)測優(yōu)化效果優(yōu)于未采用粗糙集理論約簡特征與混沌PSO處理的模型。

參考文獻(xiàn)：

[1] KENNEDY J，EBERHART R C. Particle swarm optimization[M]. New York：Springer US， 2011.

[2] ZHANG X， ZHU Z， YUAN Y， et al. A universal and flexible the odolite-camera system for making accurate? measurements over large volumes[J]. Optics and Lasers in Engineering，2012，50 （11）：1611-1620.

[3] 唐賢倫，周維，張衡， 等. 一種基于多目標(biāo)混沌 PSO 的機(jī)器人足球防守策略[J]. 系統(tǒng)仿真學(xué)報， 2014， 26（1）： 51-55.

[4] 丁旭，吳曉蓓，黃成. 基于改進(jìn)粒子群算法和特征點(diǎn)集的無線傳感器網(wǎng)絡(luò)覆蓋問題研究[J]. 電子學(xué)報， 2016， 44（4）： 967-973.

[5] MEZURA-MONTS E，CETINA-DOMINGUEZ O. Empirical analysis of a modified artificial bee colony for constrained numerical optimization[J]. Applied Mathematics and Computation，2012，218（22）： 10943-10973.

[6] YANG? J，PENG C，XIAO J， et al. Application of video metric technique to deformation measurement for large-scale composite wind turbine blade[J]. Applied Energy， 2012，98：292-300.

[7] 柏連發(fā)，韓靜，張毅. 采用改進(jìn)梯度互信息和粒子群優(yōu)化算法的紅外與可見光圖像配準(zhǔn)算法[J].? 紅外與激光工程，2012，41（1）：248-252.

[8] 馮琳， 冉曉渂，梅關(guān)林. 基于改進(jìn)粒子群算法的無線傳感網(wǎng)絡(luò)覆蓋優(yōu)化[J]. 太赫茲科學(xué)與電子信息學(xué)報，2015，13（3）：486-491.

[9] KENNEDY J， EBERHART R C. A discrete binary version of the particle swarm algorithm [C]. Proceedings of the 1997 World Multi-Conference on Systemic，Cybernetics and Informatics，1997： 4104-4109.

[10] 劉道華，原思聰，蘭洋，等. 混沌映射的粒子群優(yōu)化方法[J]. 西安電子科技大學(xué)學(xué)報：自然科學(xué)版，2010，37（4）：764-769.

[11] 雷秀娟，付阿利，孫晶晶，等. 改進(jìn) PSO 算法的性能分析與研究[J]. 計算機(jī)應(yīng)用研究，2010，27（2）：453-458.

[12] 敖永才，師奕兵，張偉，等. 自適應(yīng)慣性權(quán)重的改進(jìn)粒子群算法[J]. 電子科技大學(xué)學(xué)報，2014，43（6）： 874-880.

[13] YING SONG，CHEN ZENG-QIANG，YUAN ZHU-ZHI. New chaotic PSO-based neural network predictive control for nonlinear process[J]. IEEE Transactions on Neural Networks，2007，18（2）：595-601.

[14] PEDIWAL J，MAHOR A，KHATRI N. Exponential decreasing inertia weight particle swarm optimization in economic load dispatch[J]. International Journal of Engineering Innovations & Research，2012（5）：380-384.

[15] 湯可宗，柳炳祥，楊靜宇，等. 雙中心粒子群優(yōu)化算法[J]. 計算機(jī)研究與發(fā)展，2012，49（5）：1086-1094.

[16] 杜繼永，張鳳鳴，李建文，等. 一種具有初始化功能的自適應(yīng)慣性權(quán)重粒子群算法[J]. 信息與控制，2012， 41（2）：165-169.

[17] 朱喜華，李穎暉，李寧，等. 基于群體早熟程度和非線性周期振蕩策略的改進(jìn)粒子群算法[J]. 通信學(xué)報， 2014， 35（2）： 182-189.

[18] 程畢蕓，魯海燕，徐向平，等. 求解旅行商問題的改進(jìn)局部搜索混沌離散粒子群優(yōu)化算法[J]. 計算機(jī)應(yīng)用，2016，36（1）：138-142，149.

[19] 徐文星，耿志強(qiáng)，朱群雄，等.? 基于SQP局部搜索的混沌粒子群優(yōu)化算法[J]. 控制與決策，2012，27（4）：557-561.

[20] 周燕，劉培玉，趙靜，等.? 基于自適應(yīng)慣性權(quán)重的混沌粒子群算法[J]. 山東大學(xué)學(xué)報：理學(xué)版， 2012，47（3）：27-32.

（責(zé)任編輯：黃 健）