基于遺傳算法的人機交互式測謊參數搜索算法研究

王瑞，左磊，羅毅，許耐冬，楊穎重慶大學

基于遺傳算法的人機交互式測謊參數搜索算法研究

王瑞，左磊，羅毅，許耐冬，楊穎重慶大學

“說謊”作為一種概念和行為現象，在人類社會中普遍存在，這一現象在道德范圍內是不被允許的，在一般社會生活中也不被提倡，它頻繁的出現在我們與他人的社會互動和社會交往中，對個體和社會有著深刻的影響。為消除或減輕“說謊”所造成的負面影響，測謊技術應運而生。目前，測謊技術已被許多國家信任并被廣泛應用于刑偵，民事審判等多個領域，與此同時，如何對測謊過程中的各種參數合理取值作為影響測謊結果的關鍵環節越來越成為被關注的焦點。針對此問題，本文提出利用遺傳算法，通過人機交互的方式求解測謊參數的最優值，即對遺傳算法靈活應用，進一步，通過實驗和得出，將遺傳算法應用于測謊參數的確定具有更大的發展潛力和應用價值。

遺傳算法；人機交互；測謊技術；正態變異

1.問題背景

隨著現代電子技術以及與測謊相關的生理學和心理學的發展，測謊技術越來越趨于多樣化，例如，中國自主研制的PG-1自主測試系統采用了傳統的多道測謊技術，通過采集脈搏，呼吸以及皮膚電阻三種生物信號實現測謊，國外的一些測謊儀采用了較為先進的基于功能性磁共振成像和事件相關電位技術的P300測謊技術。但無論采用哪種測謊技術都要面臨同一個問題，即如何為測謊過程中的權重，閾值等參數合理取值。

2.測謊參數搜索算法

測謊過程中測謊參數的求解實際上是一個常見的優化問題，決策變量是測謊過程中的權重、閾值等各種參數，優化目標是特定參數下的測謊系統的測謊準確率，限制條件由具體測謊方法和過程指定。

遺傳算法是一種基于自然選擇原理和自然選擇機制的搜索最優算法，該算法的實質是通過群體搜索技術，對選定的初始種群根據適者生存的原則進行逐代進化，最終得到最優解或準最優解，于對非線性極值問題能以概率1跳出局部最優解的優點，找到全局最優解，其核心在于遺傳和變異。

2.1 遺傳算法中初始變量的選取

下為算法中所涉及的參數及相應的選取原則：

種群大小：主要根據運算量以及運算速度確定；

最大代數：根據所要求的精確程度以及算法的收斂速度確定

交叉率：交叉操作可使父代中的優良特性在子代中集中，但也應適當選取交叉率防止交叉率過高優質個體不能延續；

變異率：變異率與算法的搜索范圍正相關，由于測謊過程中所需的搜索范圍較大，交叉率應大于0.5；

最大遺傳代數：由算法的收斂速度決定。

2.2 初始種群和編碼策略

本法以均勻概率隨機生成初始種群并采用變化隨機性較強的二進制編。設隨機序列w1w2wi作為染色體，其中，0 wi1(i=1，2,3),每一個序列和種群中的一個體對應。例如，一個三變量的問題中一個個體為：

N（0，σ2）①

設各變量的最小值和最大值分別為0和1，再用5位二進制編碼，則編碼后的結果為：

2.3 交叉操作

假設交叉點在第五個基因處，則交叉后的基因為：

這種交叉操作能使子代較好的繼承父代的優良特性，同時也蘊含了變異操作的隨機性。

2.4 變異操作

本法中采用正態變異，其基本思路為：設變異的個體是，經過正態變異后的新個體為，y1,y2,…，xn,則

yi=xi+ξ i=1,2,…n⑤

其中是服從均值為0、方差為的正態分布N(0,σ2)的隨機變量，σ選取在（0,1）區間內較好，選取時要考慮二進制編碼和變異方法。

2.5 適應度值的計算

首先將該個體所對應的各參數值代入實驗中對所選擇的實驗對象進行測謊實驗，得到每個實驗對象的測謊結果。

然后對所有實驗對象進行詢問，確定其對于相同問題的實際的說謊情況。若實際情況與實驗測得的情況相符，則對于該個體的測謊實驗準確，否則為不準確。

最后，將測謊實驗的準確率作為該個體所對應的適應度值，輸入回計算機，使程序繼續運行。

其中，為實驗的準確次數，為總實驗次數。σ的值越接近于1，說明該個體越理想，反之越不理想。

適應度值的確定是實驗的關鍵環節，由人和計算機共同完成，體現了人機交互的思想。

2.6 子代的產生與迭代

適應度值產生后，應根據其值的大小選擇作為下一代的遺傳個體，為處理該問題，首先選擇交叉變異后適應度值較大的前個作為下一代個體的一部分（的大小依種群大小和實際搜索范圍而定），然后，為了保證種群中的個體數不變，再以產生初始種群的方法產生組個體（等于總種群數減去i），最終，以產生的i組和i'組個體作為經過一次進化后下一代的群。

最后，不斷迭代，當實際遺傳的次數達到設定的遺傳次數時，輸出參數值，作為最終的最優測謊參數。

[1]官金安，陳亞光，黃敏.單通道腦電信號中誘發電位的單次提取，生物醫學工程學雜志,2006，23(2):252-256.

[2]Huang G B,Zhu Q Y,Siew C K.Extreme learning machine: theory and application[J],Neurocomputing,2006,70(1):489-501.

[3]高軍峰，張文佳，楊勇，馬君君，官金安.基于主成分分析和極端學習機的測謊方法研究2006.