深度學習優化蟻群算法的羽毛球項目技戰術決策研究

茅 潔，谷 倩

（武漢體育學院體育工程與信息技術學院，湖北 武漢 430079）

深度學習優化蟻群算法的羽毛球項目技戰術決策研究

茅 潔，谷 倩

（武漢體育學院體育工程與信息技術學院，湖北 武漢 430079）

本文通過文獻資料法、理論分析法、數值模擬法、實驗研究法等研究方法，建立適合羽毛球項目技戰術決策的深度學習優化蟻群算法模型，解決實際技戰術決策優化問題。結論：（1）深度學習決策羽毛球技戰術決策的優勢在于其學習模式的表達能力強，能夠更好地處理羽毛球項目技戰術對抗行為這種非常復雜的問題，同時也能解決；（2）采用深度學習對蟻群優化模型中的技戰術數據進行自組織學習，能保證數據在學習過程中達到最優化解，完成在蟻群模型中找到完成羽毛球對戰過程中的最優化決策路線。

深度學習；蟻群算法；羽毛球

深度學習是基于在神經網絡的機器學習理論，使用深度學習對羽毛球項目在技戰術決策上進行優化的蟻群算法。其模型的作用是在海量的技戰術數據中能夠通過深度學習的方法將數據進行自適應的學習優化，達到能適應運動項目技戰術決策判斷的目的。羽毛球項目在我國競技體育項目中屬于優勢項目，針對該項目的技戰術理論研究也屢見不鮮。在羽毛球比賽中能準確、靈活地運用技術和改變戰術，選擇正確的戰術決策，是一個非常復雜的組合優化問題，它具有非線性、多約束和離散性等特點。基于蟻群算法尋優特點及深度學習自適應與自組織的學習能力特點的角度上，結合羽毛球項目技戰術特征，研究適合羽毛球項目制勝技戰術決策的優化算法模型，對該項目的技戰術決策應用起指導作用。

1 深度學習研究

1.1 深度學習理論

深度學習的概念基于人工神經網絡的理論，由Hinton等人在2006年提出的。深度學習在人工神經網絡的基礎上運用多隱層的多層感知器構成一種深度學習結構，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，以便發現數據的分布式特征表示。基于深度置信網絡（DBN）提出非監督貪心逐層訓練算法，為解決更多的深層結構相關的優化問題。同時，Lecun等人提出的卷積神經網絡構建的真正多層結構學習算法，它利用空間相對關系減少參數數目以提高訓練性能。深度學習方法分為監督學習與無監督學習2種，構建不同的學習框架的學習模型。其中，第1種卷積神經網絡（CNNs）就是一種深度的監督學習下的機器學習模型；第2種深度置信網（DBNs）則是一種無監督學習下的機器學習模型。

1.2 深度學習優化

深度學習優化的實質，是通過構建具有很高層次隱層的機器學習模型和海量的訓練數據來學習數據中更多有用的特征，最終提高分類、預測的準確性，含有多層隱層的深度學習模型，如圖1。深度學習中，區別于傳統的人工神經網絡學習，體現在深度模型結構和特征學習：（1）模型結構的深度，從淺層的三層隱層增加至5層、6層，以至10層更多的隱層節點；（2）明確特征學習，通過逐層特征訓練，學習樣本在原有特征轉變成新特征學習，使得分類、預測變得更加容易。

2 羽毛球項目技戰術制勝因素

羽毛球項目在我國競技體育項目中屬于優勢項目，針對該項目的技戰術理論研究非常多。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、活。在羽毛球項目中技戰術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術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在技戰術特點中較多。羽毛球項目中戰術的數量和質量相互影響，數量靈活多變可以有助于提高戰術的質量，而高質量的戰術運用可以彌補戰術數量的不足。通過訪談，對羽毛球戰術的制勝關鍵戰術，歸納為以下6大戰術：拉開突擊、下壓搶網、壓后場、壓反手、發球搶攻、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習模型

表1 羽毛球項目戰術組合

3 研究對象與方法

3.1 研究對象

深度學習優化蟻群算法的羽毛球項目技戰術決策。

3.2 研究方法

3.2.1 文獻資料法 在查閱大量有關深度學習、群智能理論和項群訓練理論文獻與書籍的基礎上，并深入了解群智能理論的研究應用。

3.2.2 理論分析法 深入分析研究深度學習、群智能理論和項群訓練理論。

3.2.3 數值模擬法 采用算法演算推理在隔網對抗性項目技戰術對策中的群智能—蟻群算法。

3.2.4 實驗研究法 針對羽毛球項目技戰術對策問題，根據群智能理論或進行蟻群算法模型研究，從而得出羽毛球項目技戰術對策中最優組合算法模型。

3.3 技術路線

本研究的技術路線如圖2所示。從提出研究問題、確定研究內容、選擇研究方法、收集羽毛球項目技戰術案例數據進行分析統計整理，對整理出的數據進行深度學習優化，并設計出蟻群算法模型，對優化模型進行實際應用檢驗，最終達到研究預期成果。

圖2 技術路線

4 結果與分析

按照項群理論關于羽毛球項目的技戰術特點，構建模擬的蟻群系統模型，為算法設計提供理論的支撐，并能形象化地說明蟻群的路徑搜索原理和機制。在蟻群理論基礎上構建的羽毛球技戰術決策優化模型如圖3所示。

圖3 羽毛球蟻群技戰術決策優化模型

基于以上對深度學習理論特點的描述，建立適合羽毛球項目技戰術決策的深度學習優化蟻群算法，解決實際技戰術決策優化問題。其優化過程如下：（1）設置迭代次數、信息素數據的初始化。（2）記錄得到的每次對抗過程的信息，包括時間及技戰術組合構建羽毛球對戰雙方技戰術決策禁忌表，采用深度學習對禁忌表數據進行自組織深度學習，使用輸出結果決策組合禁忌表判斷符合最優技戰術決策路線。（3）構建最優解；完成技戰術變化構建技戰術決策路線，每只螞蟻的任務是尋找最優的技戰術決策路線。（4）更新禁忌表中的數據，判斷是否已經達到最優制勝，否則，則轉到步驟（3）重新開始，達到最優將繼續步驟（5）；（5）達到技戰術決策制勝最優的情況下，完成對抗過程。若迭代次數達到max，則完成輸出最優解；否則I=I+1，轉到步驟（2）進行下一次優化。

5 結 論

5.1 深度學習決策羽毛球技戰術決策的優勢在于其學習模式的表達能力強，能夠更好地處理羽毛球項目技戰術對抗行為這種非常復雜的問題。

5.2 采用深度學習對蟻群優化模型中的技戰術數據進行自組織學習，能保證數據在學習過程中達到最優化解，完成在蟻群模型中找到完成羽毛球對戰過程中的最優化決策路線。

[ 1 ]孫志軍，薛磊，許陽明，等.深度學習研究綜述[ J ].計算機應用研究，2012（8）.

[ 2 ]田麥久.運動訓練學普高教材[M].北京：高等教育出版社，2006.

[ 3 ]田麥久.項群訓練理論[M].北京：人民體育出版社，1998.

[ 4 ]虞麗娟，張輝，戴金彪，等.隔網對抗項目比賽技戰術分析的理論與方法[ J ].上海體育學院學報，2007（3）.

[ 5 ]虞麗娟，張輝，凌培亮.隔網對抗項目技戰術分析的系統研究[ J ].體育科學，2008（10）.

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

[ 7 ]李士勇.蟻群算法及其應用[M].哈爾濱：哈爾濱工業大學出版社，2004.

[ 8 ]段海濱.蟻群算法原理及其運用[M].北京：科學出版社，2006.

[ 9 ]梅紅，王勇，趙榮齊.基于蟻群優化的前向神經網絡[ J ].武漢理工大學學報：交通科學與工程版，2009，33（3）： 531-533.

[ 10 ]張輝，戴金彪，史芙英，等.隔網對抗（持拍類）項目技戰術特征[ J ].上海體育學院學報，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、運動訓練學。