一种基于多目标优化的室内照明设计方法及系统

技术领域

本发明涉及室内照明设计领域，特别是涉及一种基于多目标优化的室内照明设计方法及系统。

背景技术

随着近年来社会经济和照明技术的发展，人们对于照明效果的高效、人性化、健康、安全的要求也越来越高。而且，在一些特殊的室内环境中，如飞机驾驶室、列车驾驶室和潜艇等狭窄空间，照明设计也变得更加复杂且困难。

通常而言，在这些室内环境中进行照明设计时，往往需要从多个维度或平面考虑，但是在优化不同目标时，不同目标间可能是矛盾的，一个目标的优化是以其他目标劣化为代价，因此很难出现唯一最优解。所以，在多个变量互相影响优化目标的仿真模型中，快速筛选出最优的参数组合解集，可大大提高设计与优化效率。

发明内容

本发明的目的是提供一种基于多目标优化的室内照明设计方法及系统，能够在进行照明设计过程中，兼顾多个设计目标的同时，简单快速地输出最优的参数解集。

为实现上述目的，本发明提供了如下方案：

一种基于多目标优化的室内照明设计方法，包括：

建立光学仿真模型；

根据设计标准和要求，设定优化目标和约束条件，并选取优化变量和水平，所述设计标准和要求为研究对象所属行业中的设计标准和要求，所述水平为所述优化变量的取值，所述优化目标为多个；

将所述优化变量和水平依据正交试验设计方法输入所述光学仿真模型中进行计算，得到正交试验表；

根据所述正交试验表建立预测模型，所述预测模型的输入参数为所述优化变量，输出参数为优化目标和约束条件的参数值；

根据所述预测模型，建立多目标优化模型；

根据所述多目标优化模型，选择遗传算法对所述多目标优化模型进行求解，得到所述多目标优化模型的最优解集，所述最优解集作为设计人员进行照明设计时的参考。

本发明还提供一种基于多目标优化的室内照明设计系统，包括：

仿真模型建立模块，用于建立光学仿真模型；

设定和选取模块，用于根据设计标准和要求，设定优化目标和约束条件，并选取优化变量和水平，所述设计标准和要求为研究对象所属行业中的设计标准和要求，所述水平为所述优化变量的取值，所述优化目标为多个；

正交试验表获取模块，用于将所述优化变量和水平依据正交试验设计方法输入所述光学仿真模型中进行计算，得到正交试验表；

预测模型建立模块，用于根据所述正交试验表建立预测模型，所述预测模型的输入参数为所述优化变量，输出参数为优化目标和约束条件的参数值；

多目标优化模型建立模块，用于根据所述预测模型，建立多目标优化模型；

模型求解模块，用于根据所述多目标优化模型，选择遗传算法对所述多目标优化模型进行求解，得到所述多目标优化模型的最优解集，所述最优解集作为设计人员进行照明设计时的参考。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明提供的基于多目标优化的室内照明设计方法及系统系统，首先建立光学仿真模型，然后基于正交实验设计方法进行实验数据获取，再根据获取的实验数据建立预测模型，根据预测模型建立多目标优化模型，最后基于遗传算法对多目标优化模型进行求解。上述方法中，由于采用了正交试验设计方法，使得本发明无需进行全面试验即可得到准确的最优参数设计解集。而且，由于本发明选择遗传算法进行参数的优化，可快速计算得到多目标模型的最优解集。因此，本发明提供的基于正交试验、回归预测模型和遗传算法的优化框架，可化繁为简，快速筛选出最优的参数组合解集，大大提高设计与优化效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例1提供的基于多目标优化的室内照明设计方法流程图；

图2为本发明实施例1提供的多层感知机模型结构示意图；

图3为本发明实施例1提供的Pareto最优前沿示意图；

图4为本发明实施例1提供的驾驶舱三维模型图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种基于多目标优化的室内照明设计方法及系统，采用正交试验设计方法，使用本发明无需进行全面试验即可得到准确的最优参数设计解集。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例1

本实施例提供一种基于多目标优化的室内照明设计方法，请参阅图1，包括：

S1、建立光学仿真模型。

可选的，所述S1具体包括：

S11、根据研究对象建立三维模型，其中研究对象指待进行照明设计的室内空间环境。

S12、将所述三维模型导入光学仿真软件中进行光学仿真，得到光学仿真模型。

具体的，利用Dialux、Tracepro、ANSYS Speos等光学仿真软件进行光学仿真，首先可在Catia、Solidworks等建模软件中建立三维模型，其次将三维模型导入到光学仿真软件中，根据工程经验和相关标准，根据实际舱室的测试数据，进行材质、光源、接收面等光学仿真软件参数设定。

S2、根据设计标准和要求，设定优化目标和约束条件，并选取优化变量和水平。

根据研究对象所属行业中的相关标准和设计要求，设定优化目标和约束条件，选取优化变量，并确定优化变量的水平，优化变量的水平即优化变量的取值。

S3、将所述优化变量和水平依据正交试验设计方法输入所述光学仿真模型中进行计算，得到正交试验表。

其中，正交试验表作为后续机器学习预测模型的训练样本集。

S4、根据所述正交试验表建立预测模型，所述预测模型的输入参数为所述优化变量，输出参数为优化目标和约束条件的参数值。

根据正交试验表，将设计好的优化变量和水平逐一带入到步骤S1建立的光学仿真模型中，计算得到优化目标和约束条件参数值。

可选的，所述优化目标包括眩光、空间光分布等评价室内光环境的参数，所述约束条件包括眩光、工作面平均照度和照度均匀度等标准中要求的评价室内光环境的参数，所述优化变量包括灯具光通量，灯具配光曲线和内饰材料反射率等照明设计参数。

由于不同室内灯具和环境布置不同，室内光环境参数的预测模型也会不同。根据步骤S3得到的正交试验数据，准备进行机器学习建模，设计输入参数为优化变量，输出参数为优化目标和约束条件参数值的机器学习预测模型。该预测模型包括但不仅限于最小二乘回归、多项式回归、高斯过程回归和神经网络等回归模型。

S5、根据所述预测模型，建立多目标优化模型。

根据步骤S4所述的光环境参数预测模型，建立多目标优化模型如下式所示：

约束条件为：

g

h

其中，g(x)为不等式约束，h(x)为等式约束，f

S6、根据所述多目标优化模型，选择遗传算法对所述多目标优化模型进行求解，得到所述多目标优化模型的最优解集，所述最优解集作为设计人员进行照明设计时的参考。

所述的求解算法，包括但不仅限于NSGA-Ⅱ、NSGA-Ⅲ等遗传算法。最后，设计人员可根据不同的设计重点和风格，来确定最终的设计方案参数。

为使本领域技术人员更清楚的理解本发明的上述方案，现列举两个实例进行详细说明。

实例(1)：采取某型列车客室为研究对象，该车厢内坐席采取左右对称的布置方式，在CATIA/SPEOS仿真平台上完成。光学仿真参数的设定可参考标准或实际工程经验，在本实施例中不再详细描述。该列车客室照明分为顶灯和环形灯，顶灯主要提供视觉功能所需的主要照明用具；环形灯作为补充照明，主要可提高整个列车客室环境的光分布。

根据中华人民共和国铁道行业标准TB/T 2917.2-2019，列车客室的坐席区域的工作面需满足一定的照度和照度均匀度要求。所以，本实例采用角落位置的座位区域工作面(靠背面前方0.6m，距地面0.8m高)上的平均照度(E，Con1)和照度均匀度(U，Con2)作为约束条件。根据两种灯具的功能不同和常见的平板灯光束角以及实际仿真数据，设置如表1所示的参数控制水平。根据CIE 117中规定了常规采用均匀座位阵列的照明“最坏情况”，即对于设施整齐、规律、同向摆放的室内环境，其两个墙面中心离地面高度1.2m处(坐姿观察者眼高通常为1.2m)，不舒适眩光感最强。所以在本实例中，选取车厢末尾处坐姿眼位(1.2m高)处的视野范围内(一个垂直85°，水平100°的矩形视场)的眩光值—UGR值(Opt1)和空间光分布值—Feu值(Opt2)作为优化目标。将设计好的优化变量和水平根据正交试验设计方法，逐一入到步骤S1建立的光学仿真模型中计算，即可得到正交试验数据表，如表2所示，即为后续用作机器学习预测模型的训练样本集。

表1优化变量设置水平

表2正交试验数据表

根据步骤2中得到的正交试验数据表，设计输入参数为优化变量，输出参数为优化目标和约束条件参数值的预测模型。在本实施例中，使用多层感知机回归(Multi-layerperceptron regression,MLPR)进行数据拟合。是由单层感知机拓展而来的，其网络结构包含输入层、隐含层和输出层。其中，隐含层可能由多层构成，如图2所示。

由于多层感知机模型具有一层或多层隐含层，且它的层与层之间是全连接的，所以MLP具有优秀的自学习和非线性表达能力。本文中，选取Relu作为激活函数，Relu是一个简单的非线性函数：

y＝Max(0,x)

MLP模型中的所有需要求解的参数为各个层之间连接权重和偏置向量。对于一个具体求解的问题，这些参数的确定过程即为最优化问题的求解的过程。在本实例中，采用了Adam算法来进行参数的优化。

预测模型建立完毕，可采用测试集的绝对误差值来进行模型精度的验证，绝对误差越小，说明预测模型的拟合精度越好，本实例选择第29-32号样本作为测试样本，表3列出了测试样本的绝对误差结果。

表3测试样本的绝对误差分析结果

由上表3可看出，每个样本的每个预测指标均达到了很高的精度，完全可满足后续多优化的需要。

根据步骤S2中设定的多目标优化变量、约束条件和优化目标，得到的数学模型如下所示：

约束条件为：

结合步骤S4中建立的光参数预测模型，采用非支配排序遗传算法(NSGA-Ⅱ算法)来求解上述的多目标优化模型。通过迭代计算即可得到满足约束条件的可行Pareto(帕累托)最优解集如表3所示。即表3中所示的解集均符合约束条件，且从两个优化目标出发，每个解均为非支配解。Pareto最优解集为设计人员提供了多种可能性，设计人员可从最优解集中根据实际需求选择最优参数来进行照明设计。

由图3优化结果的数据可得，当A＝1000，B＝105°，C＝500lm，D＝100°时，UGR取最小，为25.1，相应的Feu值为2.82，车厢整体较为昏暗；当A＝8000，B＝120°，C＝2000lm，D＝110°时，Feu取最大，为10.35，相应的UGR值为31.8，车厢整体较为明亮，光束角较大，眩光较严重；在进行最终方案选择时，设计人员可根据不同的设计重点和设计风格来确定。如设计师希望更关注眩光指数，可以选前者；而如果设计师更强调空间视觉明亮，可以选择后者。以这两个设计方案为例，表4给出了选出的这两种最终设计方案的误差比较。

表4仿真值和GPR-NSGA-Ⅱ优化值的误差比较

实例(2)：将如图4所示的是飞机驾驶舱三维模型导入到Tracepro中，进行光学仿真模型的建立，进行材质、光源和接收面等参数设定。这些设定可参考标准或实际工程经验，在本实例中不再详细描述。

参考相关设计标准和要求，设定优化目标为眼位(1.2m)处的垂直照度(G)，两个工作面的照度均匀度(分别记为U

表5优化变量设置水平

表6正交试验数据表

/>

根据步骤S3中得到的正交试验数据表，设计输入参数为优化变量，输出参数为优化目标和约束条件参数值的预测模型。在本实例中，使用高斯过程回归(Gaussian processregression，GPR)进行数据拟合。试验数据集为：x＝[A

f(x)～GP(m(x),k(x,x'))

其中：

m(x)＝E(f(x))

k(x,x')＝E((f(x)-m(x))(f(x')-m(x')))

为方便计算，均值函数通常令其为0。GPR模型假设包括噪声(回归残差)和高斯过程先验两部分，所以高斯过程回归的一般模型可表示为：

y＝f(x)+ε

其中，ε为独立的高斯白噪声，ε＝N(0,σ

y＝N(0,k(x,x')+σ

模型的训练集为：X＝(x,y)，测试集为：X*＝(x*,y*)。观测值y和预测值f(x*)的联合概率分布为：

其中，K(X,X)为训练集点的协方差矩阵，K(X,X*)＝K(X*,X)

其中，

Var(f(x*))为测试点x*对应的预测值f(x*)的协方差，可由下式计算：

其中，I为单位矩阵，ε为独立的高斯白噪声，ε＝N(0,σ

由上述计算公式可得，对于高斯过程回归，均值即为模型的预估值，同时模型还会计算出预估值的方差，更贴近现实。而且，协方差函数的选择对于模型的准确度有较大的影响，可采用交叉验证的误差越小越好的准则，来选取最优核函数。核函数和先验分布中的超参数，通常可采用极大似然估计来计算，此过程在本实施例中不再详述，如此即可得到I

预测模型建立完毕，可采用测试集的绝对误差值来进行模型精度的验证，绝对误差越小，说明预测模型的拟合精度越好，本实施例选择第29-32号样本作为测试样本，表7列出了测试样本的绝对误差结果。

表7测试样本的绝对误差分析结果

由上表7可看出，每个样本的每个预测指标均达到了很高的精度，完全可满足后续多优化的需要。

根据步骤S2中设定的多目标优化变量、约束条件和优化目标，得到的数学模型如下所示：

约束条件为：

结合步骤S4中建立的光参数预测模型，采用非支配排序遗传算法(NSGA-Ⅱ算法)来求解上述的多目标优化模型。通过迭代计算即可得到满足约束条件的可行Pareto最优解集如表8所示。即表8中所示的解集均符合约束条件，且从三个优化目标出发，每个解均为非支配解。Pareto最优解集为设计人员提供了多种可能性，设计人员可从最优解集中根据实际需求选择最优参数来进行照明设计。

表8 Pareto最优解集

在进行最终方案选择时，设计人员可根据不同的设计重点和设计风格来确定。如设计师希望更关注照明的均匀性，以此来保证飞行员能有更好的工作绩效时，可以选择第32和60个设计方案；而如果设计师更强调视觉舒适性时，可以选择第6、19和33个设计方案。以第19，32和60个设计方案为例，表9给出了选出的这几种最终设计方案的误差比较。

表9仿真值和GPR-NSGA-Ⅱ优化值的误差比较

本实施例旨在提出一种能快速搜寻到最优参数设计的方法。得益于步骤S3中的正交试验设计方法，使用本实施例无需进行全面试验即可得到准确的最优参数设计解集。同时，步骤S4的预测模型建立方法，本实施例不限制模型拟合方法，可根据数据的线性程度不同选择不同的回归方法，以得到更为准确的预测模型。(如优化目标仅受单一变量影响，往往最小二乘线性模型即可拟合；若受多个变量同时影响，可根据数据拟合结果的绝对误差值大小选择多项式回归，高斯过程回归和神经网络等回归模型)

然后，本实施例在步骤S6中选择遗传算法进行参数的优化，可快速计算得到多目标模型的最优解集。最后，本发明提出的这种基于正交试验、回归预测模型和遗传算法的优化框架，可化繁为简，快速筛选出最优的参数组合解集，大大提高设计与优化效率。

实施例2

本实施例提供一种基于多目标优化的室内照明设计系统，包括：

仿真模型建立模块M1，用于建立光学仿真模型；

设定和选取模块M2，用于根据设计标准和要求，设定优化目标和约束条件，并选取优化变量和水平，所述设计标准和要求为研究对象所属行业中的设计标准和要求，所述水平为所述优化变量的取值，所述优化目标为多个；

正交试验表获取模块M3，用于将所述优化变量和水平依据正交试验设计方法输入所述光学仿真模型中进行计算，得到正交试验表；

预测模型建立模块M4，用于根据所述正交试验表建立预测模型，所述预测模型的输入参数为所述优化变量，输出参数为优化目标和约束条件的参数值；

多目标优化模型建立模块M5，用于根据所述预测模型，建立多目标优化模型；

模型求解模块M6，用于根据所述多目标优化模型，选择遗传算法对所述多目标优化模型进行求解，得到所述多目标优化模型的最优解集，所述最优解集作为设计人员进行照明设计时的参考。

可选的，所述多目标优化模型的公式包括：

约束条件为：

g

h

其中，g(x)为不等式约束，h(x)为等式约束，f

对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。