茅 潔，谷 倩

（武漢體育學(xué)院體育工程與信息技術(shù)學(xué)院，湖北 武漢 430079）

深度學(xué)習(xí)優(yōu)化蟻群算法的羽毛球項目技戰(zhàn)術(shù)決策研究

茅 潔，谷 倩

（武漢體育學(xué)院體育工程與信息技術(shù)學(xué)院，湖北 武漢 430079）

本文通過文獻(xiàn)資料法、理論分析法、數(shù)值模擬法、實驗研究法等研究方法，建立適合羽毛球項目技戰(zhàn)術(shù)決策的深度學(xué)習(xí)優(yōu)化蟻群算法模型，解決實際技戰(zhàn)術(shù)決策優(yōu)化問題。結(jié)論：（1）深度學(xué)習(xí)決策羽毛球技戰(zhàn)術(shù)決策的優(yōu)勢在于其學(xué)習(xí)模式的表達(dá)能力強(qiáng)，能夠更好地處理羽毛球項目技戰(zhàn)術(shù)對抗行為這種非常復(fù)雜的問題，同時也能解決；（2）采用深度學(xué)習(xí)對蟻群優(yōu)化模型中的技戰(zhàn)術(shù)數(shù)據(jù)進(jìn)行自組織學(xué)習(xí)，能保證數(shù)據(jù)在學(xué)習(xí)過程中達(dá)到最優(yōu)化解，完成在蟻群模型中找到完成羽毛球?qū)?zhàn)過程中的最優(yōu)化決策路線。

深度學(xué)習(xí)；蟻群算法；羽毛球

深度學(xué)習(xí)是基于在神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)理論，使用深度學(xué)習(xí)對羽毛球項目在技戰(zhàn)術(shù)決策上進(jìn)行優(yōu)化的蟻群算法。其模型的作用是在海量的技戰(zhàn)術(shù)數(shù)據(jù)中能夠通過深度學(xué)習(xí)的方法將數(shù)據(jù)進(jìn)行自適應(yīng)的學(xué)習(xí)優(yōu)化，達(dá)到能適應(yīng)運動項目技戰(zhàn)術(shù)決策判斷的目的。羽毛球項目在我國競技體育項目中屬于優(yōu)勢項目，針對該項目的技戰(zhàn)術(shù)理論研究也屢見不鮮。在羽毛球比賽中能準(zhǔn)確、靈活地運用技術(shù)和改變戰(zhàn)術(shù)，選擇正確的戰(zhàn)術(shù)決策，是一個非常復(fù)雜的組合優(yōu)化問題，它具有非線性、多約束和離散性等特點?；谙伻核惴▽?yōu)特點及深度學(xué)習(xí)自適應(yīng)與自組織的學(xué)習(xí)能力特點的角度上，結(jié)合羽毛球項目技戰(zhàn)術(shù)特征，研究適合羽毛球項目制勝技戰(zhàn)術(shù)決策的優(yōu)化算法模型，對該項目的技戰(zhàn)術(shù)決策應(yīng)用起指導(dǎo)作用。

1 深度學(xué)習(xí)研究

1.1 深度學(xué)習(xí)理論

深度學(xué)習(xí)的概念基于人工神經(jīng)網(wǎng)絡(luò)的理論，由Hinton等人在2006年提出的。深度學(xué)習(xí)在人工神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上運用多隱層的多層感知器構(gòu)成一種深度學(xué)習(xí)結(jié)構(gòu)，原有的屬性類別或特征表示可以通過組合低層特征形成更加抽象的高層，以便發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示?；谏疃戎眯啪W(wǎng)絡(luò)（DBN）提出非監(jiān)督貪心逐層訓(xùn)練算法，為解決更多的深層結(jié)構(gòu)相關(guān)的優(yōu)化問題。同時，Lecun等人提出的卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建的真正多層結(jié)構(gòu)學(xué)習(xí)算法，它利用空間相對關(guān)系減少參數(shù)數(shù)目以提高訓(xùn)練性能。深度學(xué)習(xí)方法分為監(jiān)督學(xué)習(xí)與無監(jiān)督學(xué)習(xí)2種，構(gòu)建不同的學(xué)習(xí)框架的學(xué)習(xí)模型。其中，第1種卷積神經(jīng)網(wǎng)絡(luò)（CNNs）就是一種深度的監(jiān)督學(xué)習(xí)下的機(jī)器學(xué)習(xí)模型；第2種深度置信網(wǎng)（DBNs）則是一種無監(jiān)督學(xué)習(xí)下的機(jī)器學(xué)習(xí)模型。

1.2 深度學(xué)習(xí)優(yōu)化

深度學(xué)習(xí)優(yōu)化的實質(zhì)，是通過構(gòu)建具有很高層次隱層的機(jī)器學(xué)習(xí)模型和海量的訓(xùn)練數(shù)據(jù)來學(xué)習(xí)數(shù)據(jù)中更多有用的特征，最終提高分類、預(yù)測的準(zhǔn)確性，含有多層隱層的深度學(xué)習(xí)模型，如圖1。深度學(xué)習(xí)中，區(qū)別于傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)，體現(xiàn)在深度模型結(jié)構(gòu)和特征學(xué)習(xí)：（1）模型結(jié)構(gòu)的深度，從淺層的三層隱層增加至5層、6層，以至10層更多的隱層節(jié)點；（2）明確特征學(xué)習(xí)，通過逐層特征訓(xùn)練，學(xué)習(xí)樣本在原有特征轉(zhuǎn)變成新特征學(xué)習(xí)，使得分類、預(yù)測變得更加容易。

2 羽毛球項目技戰(zhàn)術(shù)制勝因素

羽毛球項目在我國競技體育項目中屬于優(yōu)勢項目，針對該項目的技戰(zhàn)術(shù)理論研究非常多。從田麥久先生的項群理論研究中可以得到，羽毛球項目的制勝因素為快、狠、全、準(zhǔn)、活。在羽毛球項目中技戰(zhàn)術(shù)決策能力在比賽取得勝利的重要制勝因素之一，比賽過程中能及時、出奇不意地改變技戰(zhàn)術(shù)決策就能控制整場比賽，取得比賽最后的勝利，這些制勝因素大部分主要體現(xiàn)在技戰(zhàn)術(shù)特點中較多。羽毛球項目中戰(zhàn)術(shù)的數(shù)量和質(zhì)量相互影響，數(shù)量靈活多變可以有助于提高戰(zhàn)術(shù)的質(zhì)量，而高質(zhì)量的戰(zhàn)術(shù)運用可以彌補(bǔ)戰(zhàn)術(shù)數(shù)量的不足。通過訪談，對羽毛球戰(zhàn)術(shù)的制勝關(guān)鍵戰(zhàn)術(shù)，歸納為以下6大戰(zhàn)術(shù)：拉開突擊、下壓搶網(wǎng)、壓后場、壓反手、發(fā)球搶攻、殺中路。組合具體實施方案，如表1所示。

圖1 含有多層隱層的深度學(xué)習(xí)模型

表1 羽毛球項目戰(zhàn)術(shù)組合

3 研究對象與方法

3.1 研究對象

深度學(xué)習(xí)優(yōu)化蟻群算法的羽毛球項目技戰(zhàn)術(shù)決策。

3.2 研究方法

3.2.1 文獻(xiàn)資料法 在查閱大量有關(guān)深度學(xué)習(xí)、群智能理論和項群訓(xùn)練理論文獻(xiàn)與書籍的基礎(chǔ)上，并深入了解群智能理論的研究應(yīng)用。

3.2.2 理論分析法 深入分析研究深度學(xué)習(xí)、群智能理論和項群訓(xùn)練理論。

3.2.3 數(shù)值模擬法 采用算法演算推理在隔網(wǎng)對抗性項目技戰(zhàn)術(shù)對策中的群智能—蟻群算法。

3.2.4 實驗研究法 針對羽毛球項目技戰(zhàn)術(shù)對策問題，根據(jù)群智能理論或進(jìn)行蟻群算法模型研究，從而得出羽毛球項目技戰(zhàn)術(shù)對策中最優(yōu)組合算法模型。

3.3 技術(shù)路線

本研究的技術(shù)路線如圖2所示。從提出研究問題、確定研究內(nèi)容、選擇研究方法、收集羽毛球項目技戰(zhàn)術(shù)案例數(shù)據(jù)進(jìn)行分析統(tǒng)計整理，對整理出的數(shù)據(jù)進(jìn)行深度學(xué)習(xí)優(yōu)化，并設(shè)計出蟻群算法模型，對優(yōu)化模型進(jìn)行實際應(yīng)用檢驗，最終達(dá)到研究預(yù)期成果。

圖2 技術(shù)路線

4 結(jié)果與分析

按照項群理論關(guān)于羽毛球項目的技戰(zhàn)術(shù)特點，構(gòu)建模擬的蟻群系統(tǒng)模型，為算法設(shè)計提供理論的支撐，并能形象化地說明蟻群的路徑搜索原理和機(jī)制。在蟻群理論基礎(chǔ)上構(gòu)建的羽毛球技戰(zhàn)術(shù)決策優(yōu)化模型如圖3所示。

圖3 羽毛球蟻群技戰(zhàn)術(shù)決策優(yōu)化模型

基于以上對深度學(xué)習(xí)理論特點的描述，建立適合羽毛球項目技戰(zhàn)術(shù)決策的深度學(xué)習(xí)優(yōu)化蟻群算法，解決實際技戰(zhàn)術(shù)決策優(yōu)化問題。其優(yōu)化過程如下：（1）設(shè)置迭代次數(shù)、信息素數(shù)據(jù)的初始化。（2）記錄得到的每次對抗過程的信息，包括時間及技戰(zhàn)術(shù)組合構(gòu)建羽毛球?qū)?zhàn)雙方技戰(zhàn)術(shù)決策禁忌表，采用深度學(xué)習(xí)對禁忌表數(shù)據(jù)進(jìn)行自組織深度學(xué)習(xí)，使用輸出結(jié)果決策組合禁忌表判斷符合最優(yōu)技戰(zhàn)術(shù)決策路線。（3）構(gòu)建最優(yōu)解；完成技戰(zhàn)術(shù)變化構(gòu)建技戰(zhàn)術(shù)決策路線，每只螞蟻的任務(wù)是尋找最優(yōu)的技戰(zhàn)術(shù)決策路線。（4）更新禁忌表中的數(shù)據(jù)，判斷是否已經(jīng)達(dá)到最優(yōu)制勝，否則，則轉(zhuǎn)到步驟（3）重新開始，達(dá)到最優(yōu)將繼續(xù)步驟（5）；（5）達(dá)到技戰(zhàn)術(shù)決策制勝最優(yōu)的情況下，完成對抗過程。若迭代次數(shù)達(dá)到max，則完成輸出最優(yōu)解；否則I=I+1，轉(zhuǎn)到步驟（2）進(jìn)行下一次優(yōu)化。

5 結(jié) 論

5.1 深度學(xué)習(xí)決策羽毛球技戰(zhàn)術(shù)決策的優(yōu)勢在于其學(xué)習(xí)模式的表達(dá)能力強(qiáng)，能夠更好地處理羽毛球項目技戰(zhàn)術(shù)對抗行為這種非常復(fù)雜的問題。

5.2 采用深度學(xué)習(xí)對蟻群優(yōu)化模型中的技戰(zhàn)術(shù)數(shù)據(jù)進(jìn)行自組織學(xué)習(xí)，能保證數(shù)據(jù)在學(xué)習(xí)過程中達(dá)到最優(yōu)化解，完成在蟻群模型中找到完成羽毛球?qū)?zhàn)過程中的最優(yōu)化決策路線。

[ 1 ]孫志軍，薛磊，許陽明，等.深度學(xué)習(xí)研究綜述[ J ].計算機(jī)應(yīng)用研究，2012（8）.

[ 2 ]田麥久.運動訓(xùn)練學(xué)普高教材[M].北京：高等教育出版社，2006.

[ 3 ]田麥久.項群訓(xùn)練理論[M].北京：人民體育出版社，1998.

[ 4 ]虞麗娟，張輝，戴金彪，等.隔網(wǎng)對抗項目比賽技戰(zhàn)術(shù)分析的理論與方法[ J ].上海體育學(xué)院學(xué)報，2007（3）.

[ 5 ]虞麗娟，張輝，凌培亮.隔網(wǎng)對抗項目技戰(zhàn)術(shù)分析的系統(tǒng)研究[ J ].體育科學(xué)，2008（10）.

[ 6 ]高尚，楊靜宇.群智能算法及其應(yīng)用[M].北京：中國水利水電出版社，2006.

[ 7 ]李士勇.蟻群算法及其應(yīng)用[M].哈爾濱：哈爾濱工業(yè)大學(xué)出版社，2004.

[ 8 ]段海濱.蟻群算法原理及其運用[M].北京：科學(xué)出版社，2006.

[ 9 ]梅紅，王勇，趙榮齊.基于蟻群優(yōu)化的前向神經(jīng)網(wǎng)絡(luò)[ J ].武漢理工大學(xué)學(xué)報：交通科學(xué)與工程版，2009，33（3）： 531-533.

[ 10 ]張輝，戴金彪，史芙英，等.隔網(wǎng)對抗（持拍類）項目技戰(zhàn)術(shù)特征[ J ].上海體育學(xué)院學(xué)報，2007（4）.

G847

A

1674-151X（2016）09-005-03

10.3969/j.issn.1674-151x.2016.18.003

投稿日期：2016-08-29

湖北省教育廳科學(xué)研究計劃項目（Q20134101）。

茅潔（1979—），副教授，博士。研究方向：體育信息技術(shù)、運動訓(xùn)練學(xué)。