本發(fā)明涉及智能家居控制的，具體是一種基于自適應(yīng)學(xué)習(xí)的智能家居生成策略優(yōu)化系統(tǒng)。

背景技術(shù)：

1、智能家居作為現(xiàn)代科技生活的一部分，通過(guò)集成多種智能設(shè)備，旨在為用戶提供更加便捷、智能的生活體驗(yàn)。隨著人工智能技術(shù)的不斷發(fā)展，自適應(yīng)學(xué)習(xí)方法在智能家居系統(tǒng)中得到了廣泛應(yīng)用，能夠根據(jù)用戶的行為習(xí)慣和偏好自動(dòng)生成和優(yōu)化家居環(huán)境的控制策略。然而，現(xiàn)有的自適應(yīng)學(xué)習(xí)方法在面對(duì)復(fù)雜多變的家庭環(huán)境和多樣化的用戶需求時(shí)，依舊存在學(xué)習(xí)效率低下的問題。具體來(lái)說(shuō)，當(dāng)前的自適應(yīng)學(xué)習(xí)系統(tǒng)往往需要大量時(shí)間收集特定的用戶行為數(shù)據(jù)，才能生成較為準(zhǔn)確的優(yōu)化策略，這不僅增加了用戶的時(shí)間成本，也限制了系統(tǒng)的實(shí)時(shí)性和靈活性。此外，由于沒有足夠的訓(xùn)練數(shù)據(jù)或數(shù)據(jù)質(zhì)量不高，自適應(yīng)學(xué)習(xí)系統(tǒng)還經(jīng)常會(huì)出現(xiàn)誤判或過(guò)度擬合的現(xiàn)象，進(jìn)而影響用戶體驗(yàn)和家居系統(tǒng)的正常運(yùn)行。

2、為了應(yīng)對(duì)上述挑戰(zhàn)，研究人員提出了一系列優(yōu)化方法。其中，基于機(jī)器學(xué)習(xí)的算法優(yōu)化是主要方向之一，這類方法試圖通過(guò)改進(jìn)訓(xùn)練算法或引入新的優(yōu)化技術(shù)來(lái)提高自適應(yīng)學(xué)習(xí)系統(tǒng)的性能。盡管這些方法在一定程度上改善了系統(tǒng)的性能，但在實(shí)際應(yīng)用中仍面臨諸如數(shù)據(jù)依賴性強(qiáng)、過(guò)擬合風(fēng)險(xiǎn)高等問題。因此，迫切需要開發(fā)一種更加高效、魯棒的自適應(yīng)學(xué)習(xí)算法及對(duì)應(yīng)的生成策略優(yōu)化方法，以更好地滿足用戶對(duì)智能家居的使用需求，提高系統(tǒng)的智能化水平和用戶體驗(yàn)。

3、針對(duì)上述的技術(shù)缺陷，現(xiàn)提出一種基于自適應(yīng)學(xué)習(xí)的智能家居生成策略優(yōu)化系統(tǒng)解決方案。

技術(shù)實(shí)現(xiàn)思路

1、為解決上述問題，本發(fā)明提供如下技術(shù)方案：

2、一種基于自適應(yīng)學(xué)習(xí)的智能家居生成策略優(yōu)化方法，包括：

3、收集用戶在智能家居系統(tǒng)中的操作歷史、傳感器數(shù)據(jù)以及設(shè)備使用模式，確定評(píng)價(jià)標(biāo)準(zhǔn)和優(yōu)化方向；

4、根據(jù)用戶行為、環(huán)境變化和設(shè)備狀態(tài)提取特征，構(gòu)建特征矩陣；

5、根據(jù)優(yōu)化問題選擇強(qiáng)化學(xué)習(xí)方法建模，設(shè)計(jì)自適應(yīng)學(xué)習(xí)機(jī)制，讓模型在運(yùn)行過(guò)程中根據(jù)實(shí)時(shí)數(shù)據(jù)不斷調(diào)整；

6、使用歷史數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練，利用強(qiáng)化學(xué)習(xí)中的獎(jiǎng)勵(lì)機(jī)制來(lái)引導(dǎo)優(yōu)化目標(biāo)的實(shí)現(xiàn)，基于模型預(yù)測(cè)，生成適應(yīng)當(dāng)前環(huán)境和需求的控制策略。

7、進(jìn)一步的，所述收集用戶信息包括記錄用戶在智能家居系統(tǒng)中的直接操作行為,統(tǒng)計(jì)設(shè)備使用頻率、時(shí)間段分布、用戶偏好設(shè)置,通過(guò)環(huán)境傳感器實(shí)時(shí)采集室內(nèi)外環(huán)境參數(shù),通過(guò)設(shè)備內(nèi)置傳感器監(jiān)測(cè)設(shè)備狀態(tài),提取設(shè)備間的聯(lián)動(dòng)關(guān)系,識(shí)別用戶習(xí)慣,對(duì)采集的信息數(shù)據(jù)去除傳感器噪聲、填補(bǔ)缺失數(shù)據(jù),標(biāo)準(zhǔn)化多源數(shù)據(jù)格式,提取時(shí)序特征,構(gòu)建用戶行為畫像,量化環(huán)境與設(shè)備狀態(tài)的關(guān)聯(lián)性。

8、進(jìn)一步的，所述構(gòu)建特征矩陣通過(guò)對(duì)用戶行為特征進(jìn)行記錄,包括:

9、統(tǒng)計(jì)特征,日均操作次數(shù)、高峰時(shí)段、設(shè)備使用時(shí)長(zhǎng)；序列模式,操作序列，通過(guò)馬爾可夫鏈建模狀態(tài)轉(zhuǎn)移概率；偏好標(biāo)簽,基于聚類將用戶分為類別；時(shí)序特征,滑動(dòng)窗口統(tǒng)計(jì)、周期性特征；事件觸發(fā),突變量檢測(cè)；設(shè)備狀態(tài)特征,設(shè)備啟停次數(shù)、連續(xù)工作時(shí)長(zhǎng)、能耗效率,設(shè)備關(guān)聯(lián)圖與設(shè)備依賴關(guān)系。

10、進(jìn)一步的，所述自適應(yīng)學(xué)習(xí)包括定義強(qiáng)化學(xué)習(xí)框架，包括狀態(tài)空間、動(dòng)作空間和復(fù)合獎(jiǎng)勵(lì)函數(shù)；基于實(shí)時(shí)環(huán)境數(shù)據(jù)、設(shè)備狀態(tài)及用戶行為構(gòu)建狀態(tài)向量；選擇強(qiáng)化學(xué)習(xí)算法建模策略網(wǎng)絡(luò)；設(shè)計(jì)自適應(yīng)學(xué)習(xí)機(jī)制，動(dòng)態(tài)調(diào)整獎(jiǎng)勵(lì)函數(shù)權(quán)重、探索率及學(xué)習(xí)率；通過(guò)在線學(xué)習(xí)與經(jīng)驗(yàn)回放更新策略網(wǎng)絡(luò)參數(shù)；引入安全約束機(jī)制，保障設(shè)備運(yùn)行的穩(wěn)定性與合規(guī)性；

11、所述獎(jiǎng)勵(lì)復(fù)合函數(shù)計(jì)算如下:

12、r＝α·renergy+β·rcomfort-γ·rwear,

13、其中,α,β,γ為權(quán)重參數(shù),renergy為節(jié)能獎(jiǎng)勵(lì),rcomfort為舒適度獎(jiǎng)勵(lì),rwear為設(shè)備損耗懲罰；

14、所述獎(jiǎng)勵(lì)策略更新公式如下:

15、

16、其中,eπ為策略網(wǎng)絡(luò)參數(shù),gt為累計(jì)回報(bào),t為時(shí)間。

17、進(jìn)一步的，所述使用歷史數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練包括統(tǒng)計(jì)設(shè)備單位時(shí)間功耗，建立基準(zhǔn)能耗模型,通過(guò)傳感器數(shù)據(jù)和用戶手動(dòng)調(diào)整頻率綜合評(píng)分,分析設(shè)備連續(xù)工作時(shí)長(zhǎng)、啟停次數(shù)與損耗的關(guān)聯(lián)性,根據(jù)用戶歷史操作數(shù)據(jù)，動(dòng)態(tài)調(diào)整指標(biāo)權(quán)重,支持用戶自定義評(píng)分規(guī)則,將評(píng)價(jià)標(biāo)準(zhǔn)轉(zhuǎn)化為目標(biāo)函數(shù),添加約束條件,采用強(qiáng)化學(xué)習(xí)通過(guò)獎(jiǎng)勵(lì)函數(shù)平衡多目標(biāo)沖突,使用進(jìn)化算法生成帕累托最優(yōu)解集，供用戶或系統(tǒng)自動(dòng)選擇,根據(jù)實(shí)時(shí)數(shù)據(jù)觸發(fā)策略重優(yōu)化,通過(guò)反饋循環(huán)更新優(yōu)化模型參數(shù),使用歷史數(shù)據(jù)回放驗(yàn)證優(yōu)化策略的有效性,模擬極端場(chǎng)景,采集用戶對(duì)自動(dòng)策略的滿意度評(píng)分,監(jiān)測(cè)用戶手動(dòng)干預(yù)頻率，判斷策略與用戶需求的匹配度,根據(jù)反饋數(shù)據(jù)重新訓(xùn)練自適應(yīng)學(xué)習(xí)模塊,定期調(diào)整評(píng)價(jià)標(biāo)準(zhǔn)權(quán)重，適應(yīng)季節(jié)性或用戶習(xí)慣變化。

18、進(jìn)一步的，所述策略優(yōu)化基于設(shè)備使用模式識(shí)別用戶偏好類型,通過(guò)多目標(biāo)優(yōu)化算法定義能耗、舒適度及設(shè)備壽命的量化指標(biāo),結(jié)合用戶反饋動(dòng)態(tài)調(diào)整評(píng)價(jià)指標(biāo)的權(quán)重分配,構(gòu)建設(shè)備控制策略的約束條件集合，包括設(shè)備功率上限、用戶活動(dòng)時(shí)間窗,采用強(qiáng)化學(xué)習(xí)算法生成候選策略集，并通過(guò)仿真測(cè)試篩選帕累托最優(yōu)解。

19、根據(jù)本發(fā)明的一個(gè)方面,提供一種基于自適應(yīng)學(xué)習(xí)的智能家居生成策略優(yōu)化系統(tǒng)，包括:

20、數(shù)據(jù)采集模塊，用于實(shí)時(shí)獲取智能家居設(shè)備的狀態(tài)數(shù)據(jù)、用戶行為數(shù)據(jù)及環(huán)境數(shù)據(jù)；

21、自適應(yīng)學(xué)習(xí)模塊，與所述數(shù)據(jù)采集模塊連接，用于根據(jù)用戶行為數(shù)據(jù)及環(huán)境數(shù)據(jù)訓(xùn)練機(jī)器學(xué)習(xí)模型，生成初始策略集合；

22、策略生成模塊，用于基于所述初始策略集合和實(shí)時(shí)數(shù)據(jù)動(dòng)態(tài)生成設(shè)備控制策略；

23、策略優(yōu)化模塊，通過(guò)多目標(biāo)優(yōu)化算法對(duì)所述控制策略進(jìn)行調(diào)整，優(yōu)化目標(biāo)包括能耗效率、用戶舒適度及設(shè)備壽命；

24、反饋執(zhí)行模塊，用于執(zhí)行優(yōu)化后的策略并采集用戶反饋數(shù)據(jù)，將反饋數(shù)據(jù)輸入自適應(yīng)學(xué)習(xí)模塊以迭代更新模型。

25、進(jìn)一步的，所述自適應(yīng)學(xué)習(xí)包括基于用戶歷史行為數(shù)據(jù)建立個(gè)性化行為模式庫(kù),采用強(qiáng)化學(xué)習(xí)算法對(duì)設(shè)備控制策略進(jìn)行動(dòng)態(tài)評(píng)估和獎(jiǎng)勵(lì)計(jì)算,結(jié)合環(huán)境數(shù)據(jù)中的時(shí)間序列特征，生成與用戶偏好匹配的預(yù)測(cè)模型,建立能耗、舒適度及設(shè)備損耗的權(quán)重函數(shù)，根據(jù)用戶偏好動(dòng)態(tài)調(diào)整權(quán)重,使用遺傳算法或粒子群優(yōu)化算法求解帕累托最優(yōu)解集,根據(jù)實(shí)時(shí)環(huán)境數(shù)據(jù)對(duì)策略進(jìn)行局部微調(diào),對(duì)設(shè)備使用頻率、時(shí)間段偏好、溫度/亮度偏好設(shè)置、設(shè)備間聯(lián)動(dòng)觸發(fā)記錄。

26、根據(jù)本發(fā)明的一個(gè)方面,提供一種計(jì)算機(jī)設(shè)備，包括存儲(chǔ)器和處理器，所述存儲(chǔ)器存儲(chǔ)有計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)上述所述的一種基于自適應(yīng)學(xué)習(xí)的智能家居生成策略優(yōu)化方法的步驟。

27、根據(jù)本發(fā)明的一個(gè)方面,提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存上述權(quán)利要求1至6中任一項(xiàng)所述的一種基于自適應(yīng)學(xué)習(xí)的智能家居生成策略優(yōu)化方法的步驟。

28、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

29、1、本發(fā)明一種基于自適應(yīng)學(xué)習(xí)的智能家居生成策略優(yōu)化方法中，通過(guò)收集用戶在智能家居系統(tǒng)中的操作歷史、傳感器數(shù)據(jù)以及設(shè)備使用模式，確定評(píng)價(jià)標(biāo)準(zhǔn)和優(yōu)化方向；根據(jù)用戶行為、環(huán)境變化和設(shè)備狀態(tài)提取特征，構(gòu)建特征矩陣；根據(jù)優(yōu)化問題選擇強(qiáng)化學(xué)習(xí)方法建模，設(shè)計(jì)自適應(yīng)學(xué)習(xí)機(jī)制，讓模型在運(yùn)行過(guò)程中根據(jù)實(shí)時(shí)數(shù)據(jù)不斷調(diào)整；使用歷史數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練，利用強(qiáng)化學(xué)習(xí)中的獎(jiǎng)勵(lì)機(jī)制來(lái)引導(dǎo)優(yōu)化目標(biāo)的實(shí)現(xiàn)，基于模型預(yù)測(cè)，生成適應(yīng)當(dāng)前環(huán)境和需求的控制策略,具有更好地滿足用戶對(duì)智能家居的使用需求，提高系統(tǒng)的智能化水平和用戶體驗(yàn)的效果。

30、2、本發(fā)明一種基于自適應(yīng)學(xué)習(xí)的智能家居生成策略優(yōu)化系統(tǒng)中，通過(guò)數(shù)據(jù)采集模塊，用于實(shí)時(shí)獲取智能家居設(shè)備的狀態(tài)數(shù)據(jù)、用戶行為數(shù)據(jù)及環(huán)境數(shù)據(jù)；自適應(yīng)學(xué)習(xí)模塊，與所述數(shù)據(jù)采集模塊連接，用于根據(jù)用戶行為數(shù)據(jù)及環(huán)境數(shù)據(jù)訓(xùn)練機(jī)器學(xué)習(xí)模型，生成初始策略集合；策略生成模塊，用于基于所述初始策略集合和實(shí)時(shí)數(shù)據(jù)動(dòng)態(tài)生成設(shè)備控制策略；策略優(yōu)化模塊，通過(guò)多目標(biāo)優(yōu)化算法對(duì)所述控制策略進(jìn)行調(diào)整，優(yōu)化目標(biāo)包括能耗效率、用戶舒適度及設(shè)備壽命；反饋執(zhí)行模塊，用于執(zhí)行優(yōu)化后的策略并采集用戶反饋數(shù)據(jù)，將反饋數(shù)據(jù)輸入自適應(yīng)學(xué)習(xí)模塊以迭代更新模型,具有生成較為準(zhǔn)確的優(yōu)化策略的效果。