王瑞，左磊，罗毅，许耐冬，杨颖重庆大学

基于遗传算法的人机交互式测谎参数搜索算法研究

王瑞，左磊，罗毅，许耐冬，杨颖重庆大学

“说谎”作为一种概念和行为现象，在人类社会中普遍存在，这一现象在道德范围内是不被允许的，在一般社会生活中也不被提倡，它频繁的出现在我们与他人的社会互动和社会交往中，对个体和社会有着深刻的影响。为消除或减轻“说谎”所造成的负面影响，测谎技术应运而生。目前，测谎技术已被许多国家信任并被广泛应用于刑侦，民事审判等多个领域，与此同时，如何对测谎过程中的各种参数合理取值作为影响测谎结果的关键环节越来越成为被关注的焦点。针对此问题，本文提出利用遗传算法，通过人机交互的方式求解测谎参数的最优值，即对遗传算法灵活应用，进一步，通过实验和得出，将遗传算法应用于测谎参数的确定具有更大的发展潜力和应用价值。

遗传算法；人机交互；测谎技术；正态变异

1.问题背景

随着现代电子技术以及与测谎相关的生理学和心理学的发展，测谎技术越来越趋于多样化，例如，中国自主研制的PG-1自主测试系统采用了传统的多道测谎技术，通过采集脉搏，呼吸以及皮肤电阻三种生物信号实现测谎，国外的一些测谎仪采用了较为先进的基于功能性磁共振成像和事件相关电位技术的P300测谎技术。但无论采用哪种测谎技术都要面临同一个问题，即如何为测谎过程中的权重，阈值等参数合理取值。

2.测谎参数搜索算法

测谎过程中测谎参数的求解实际上是一个常见的优化问题，决策变量是测谎过程中的权重、阈值等各种参数，优化目标是特定参数下的测谎系统的测谎准确率，限制条件由具体测谎方法和过程指定。

遗传算法是一种基于自然选择原理和自然选择机制的搜索最优算法，该算法的实质是通过群体搜索技术，对选定的初始种群根据适者生存的原则进行逐代进化，最终得到最优解或准最优解，于对非线性极值问题能以概率1跳出局部最优解的优点，找到全局最优解，其核心在于遗传和变异。

2.1 遗传算法中初始变量的选取

下为算法中所涉及的参数及相应的选取原则：

种群大小：主要根据运算量以及运算速度确定；

最大代数：根据所要求的精确程度以及算法的收敛速度确定

交叉率：交叉操作可使父代中的优良特性在子代中集中，但也应适当选取交叉率防止交叉率过高优质个体不能延续；

变异率：变异率与算法的搜索范围正相关，由于测谎过程中所需的搜索范围较大，交叉率应大于0.5；

最大遗传代数：由算法的收敛速度决定。

2.2 初始种群和编码策略

本法以均匀概率随机生成初始种群并采用变化随机性较强的二进制编。设随机序列w1w2wi作为染色体，其中，0 wi1(i=1，2,3),每一个序列和种群中的一个体对应。例如，一个三变量的问题中一个个体为：

N（0，σ2）①

设各变量的最小值和最大值分别为0和1，再用5位二进制编码，则编码后的结果为：

2.3 交叉操作

假设交叉点在第五个基因处，则交叉后的基因为：

这种交叉操作能使子代较好的继承父代的优良特性，同时也蕴含了变异操作的随机性。

2.4 变异操作

本法中采用正态变异，其基本思路为：设变异的个体是，经过正态变异后的新个体为，y1,y2,…，xn,则

yi=xi+ξ i=1,2,…n⑤

其中是服从均值为0、方差为的正态分布N(0,σ2)的随机变量，σ选取在（0,1）区间内较好，选取时要考虑二进制编码和变异方法。

2.5 适应度值的计算

首先将该个体所对应的各参数值代入实验中对所选择的实验对象进行测谎实验，得到每个实验对象的测谎结果。

然后对所有实验对象进行询问，确定其对于相同问题的实际的说谎情况。若实际情况与实验测得的情况相符，则对于该个体的测谎实验准确，否则为不准确。

最后，将测谎实验的准确率作为该个体所对应的适应度值，输入回计算机，使程序继续运行。

其中，为实验的准确次数，为总实验次数。σ的值越接近于1，说明该个体越理想，反之越不理想。

适应度值的确定是实验的关键环节，由人和计算机共同完成，体现了人机交互的思想。

2.6 子代的产生与迭代

适应度值产生后，应根据其值的大小选择作为下一代的遗传个体，为处理该问题，首先选择交叉变异后适应度值较大的前个作为下一代个体的一部分（的大小依种群大小和实际搜索范围而定），然后，为了保证种群中的个体数不变，再以产生初始种群的方法产生组个体（等于总种群数减去i），最终，以产生的i组和i'组个体作为经过一次进化后下一代的群。

最后，不断迭代，当实际遗传的次数达到设定的遗传次数时，输出参数值，作为最终的最优测谎参数。

[1]官金安，陈亚光，黄敏.单通道脑电信号中诱发电位的单次提取，生物医学工程学杂志,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]高军峰，张文佳，杨勇，马君君，官金安.基于主成分分析和极端学习机的测谎方法研究2006.