一种基于优化算法的健身运动方案生成方法及系统与流程

本发明涉及健康管理领域，尤其涉及一种基于优化算法的健身运动方案生成方法及系统。

背景技术：

1、在当前社会背景下，健身已经成为人们日常生活中不可或缺的一部分。然而，由于每个人的身体状况、健身目标、生活习惯等因素存在较大差异，个性化的健身方案越来越受到重视。传统的健身方案设计主要依赖于经验丰富的健身教练，但这种方式往往存在主观性强、数据支持不足、缺乏系统性和科学性，难以满足用户的个性化需求，难以实现真正的个性化。尤其是在面对不同体质、不同健康目标的用户时，如何设计出高效且科学的健身方案成为一个挑战。因此，基于优化算法的健身运动方案生成方法应运而生。

2、经检索，中国专利号cn201910886253.6公开了基于蚁群优化算法的健身跑运动方案生成方法，该发明虽然有利于生成安全、有效和个性化的健身跑运动方案，但是无法保证生成的方案在训练效果和用户体验方面的均衡，用户在健身过程中容易产生厌倦感，降低整体的训练动力和持续性；此外，现有的基于优化算法的健身运动方案生成方法及系统健身方案无法随时适应用户体能状态和健康状况的变化，因不确定性带来的风险较高，且方案优化的时间较长；为此，我们提出一种基于优化算法的健身运动方案生成方法及系统。

技术实现思路

1、本发明的目的是为了解决现有技术中存在的缺陷，而提出的一种基于优化算法的健身运动方案生成方法及系统。

2、为了实现上述目的，本发明采用了如下技术方案：

3、一种基于优化算法的健身运动方案生成方法，该方案生成方法具体步骤如下：

4、s1：采集并预处理用户的基础信息和身体数据；

5、s2：对用户健身目标进行优先级分配并构建健身图谱；

6、s3：基于图谱推理生成满足用户目标的运动方案；

7、s4：全局优化初步生成的健身方案并逐步迭代改进方案；

8、s5：依据用户实时反馈与监测数据对方案进行个性化调整；

9、s6：进行多目标权衡并生成最终健身运动方案。

10、作为本发明的进一步方案，s2所述优先级分配具体步骤如下：

11、p1.1：根据用户的健身需求，获取该用户的总体健身目标、实现总体目标的各子目标以及具体的行动方案，并依据各组信息构建对应目标层、准则层以及方案层；

12、p1.2：基于专家经验以及用户的偏好，对准则层中的每一对子目标进行两两比较，并赋予相对重要性的评分，构建比较矩阵，将各组评分输入至该比较矩阵中，并对比较矩阵每一列都进行归一化处理，在计算归一化后的比较矩阵中每组子目标的权重向量；

13、p1.3：对处理后的比较矩阵进行一致性验证，若该比较矩阵的一致性比率cr＜0.1，则接受一致性；反之，则重新调整比较矩阵，将通过一致性验证的比较矩阵的权重向量作为各子目标最终的权重分配结果，并按照权重值由高到低对各组子目标进行排序，且权重值越大，则该子目标优先级越高。

14、作为本发明的进一步方案，s3所述生成满足用户目标的运动方案具体步骤如下：

15、p2.1：收集用户历史训练数据、身体数据以及外部条件，通过特征工程提取各组数据的特征信息，并设置一个时间步长，将每个时间步的特征信息作为一个输入序列，之后将生成的各组输入序列划分为训练集以及验证集；

16、p2.2：初始化rnn模型的参数，将训练集数据输入rnn模型中，在前向传播过程中，rnn模型逐步处理训练集的各组输入序列，并计算每个时间步的隐藏状态和输出，前向传播结束后，通过均方误差函数计算模型预测输出与真实目标之间的误差；

17、p2.3：将误差值反向传播，并计算误差值相对于模型各层的每组参数的梯度，根据反向传播中计算的梯度，通过rmsprop算法更新rnn模型的参数，再通过验证集评估模型在未见过的数据上的性能，并根据评估结果调整模型参数，重复多次训练并验证模型，直至达到预设误差阈值；

18、p2.4：训练完成的rnn模型依据当前用户健身优先级情况以及图谱推理结果，预测用户在不同训练条件下的表现和进展情况，同时根据rnn的预测结果生成包含训练内容、强度、频率和组合的初步运动方案。

19、作为本发明的进一步方案，s4所述全局优化初步生成的健身方案具体步骤如下：

20、p3.1：提取初步生成的运动方案中的参数组合，并随机生成n组不同的随机解，其中，每组解代表一组运动方案的参数组合，之后依据生成的随机解，在方案空间中初始化对应数量的搜索体，每组搜索体位置对应一组运动方案，依据用户目标计算各组运动方案的适应度；

21、p3.2：在每轮迭代开始时，对比各运动方案适应度，并确定适应度最高的位置，之后计算各搜索体与最优位置之间的距离以及移动系数，并判断搜索体是否时局部包围最优位置；

22、p3.3：若移动系数小于1，则依据计算出的距离以及设定的移动系数，更新各搜索体的位置，再次计算更新后各搜索体与最优位置的欧几里得距离，使用对数螺旋公式再次更新位置，反之，随机选择一组搜索体的位置，并更新其余搜索体位置；

23、p3.4：重复对搜索体位置进行迭代更新，直至达到预设的最大迭代次数，迭代结束后，输出最优位置，即优化后的运动方案，并根据优化后的运动方案更新用户原有方案训练内容、强度、频率和组合。

24、一种基于优化算法的健身运动方案生成系统，包括信息收集模块、目标设置模块、数据处理模块、图谱构建模块、权重分配模块、初步生成模块、优化评估模块、用户反馈模块、方案调整模块以及结果输出模块；

25、所述信息收集模块用于收集用户的基本信息和健康数据；

26、所述目标设置模块用于用户设定个人健身目标、目标量化指标以及目标的时间框架；

27、所述数据处理模块用于对收集到的用户信息和目标数据进行清洗、标准化和编码处理；

28、所述图谱构建模块用于将用户的健康数据与现有的运动科学知识、营养学知识结合，构建用户特定的健身图谱；

29、所述权重分配模块用于对用户的多个目标进行优先级分配；

30、所述初步生成模块用于根据用户信息、目标设置以及知识图谱的推理结果，生成一个初步的健身运动方案；

31、所述优化评估模块用于对初步生成的运动方案进行全局搜索和优化，并对优化后的运动方案进行评估，以进行迭代改进；

32、所述用户反馈模块用于记录用户在执行运动方案的过程中反馈实际体验和感受；

33、所述方案调整模块用于依据用户反馈和方案评估结果，对运动方案进行个性化调整；

34、所述结果输出模块用于输出优化和调整后的健身运动方案。

35、作为本发明的进一步方案，所述图谱构建模块构建用户特定的健身图谱具体步骤如下：

36、p4.1：收集和整理用户健康数据、运动科学知识以及营养学知识，之后将其中健身运动的各项知识按运动类型、强度、身体部位、效果各维度进行分类，再对不同来源的数据进行标准化处理；

37、p4.2：通过nlp技术从处理后的各项数据中提取各组实体信息，并为每个实体定义属性，再确定不同实体之间的关系信息，将各实体间的关系作为边，并连接各个实体节点，以构建对应图结构，并通过图结构库保存构建的健身图谱；

38、p4.3：基于构建的健身图谱，利用推理引擎对特定用户的健康数据进行分析，根据用户的具体健康数据和目标，结合健身图谱中的各项信息，生成个性化的建议，之后根据最新的运动科学研究和用户反馈，定期更新和维护健身图谱。

39、作为本发明的进一步方案，所述方案调整模块对运动方案进行个性化调整具体步骤如下：

40、p5.1：定期收集用户的实时反馈和监测数据，并以最大化用户对方案的满意度为目标，构建目标函数评估在给定运动方案下，用户的整体适应性和效果，之后利用当前的反馈数据和监测数据构建先验概率模型，并通过该先验概率模型计算当前目标函数的先验分布；

41、p5.2：在得到新的用户反馈和监测数据后，依据先验分布以及似然函数，通过贝叶斯公式计算更新目标函数的概率分布，以获取对应后验分布，后验分布更新完成后，通过最大化期望改进选择下一个运动方案进行实验；

42、p5.3：循环迭代优化，在每次实验后，利用新的用户反馈和监测数据更新先验概率模型，并重新选择下一个运动方案进行实验，直到达到预设目标值后停止，迭代结束后，收集当前优化后的健身运动方案，并依据个性化调整后的方案生成详细的健身方案报告。

43、相比于现有技术，本发明的有益效果在于：

44、1、该基于优化算法的健身运动方案生成方法提取初步生成的运动方案中的参数组合，并随机生成n组不同的随机解，其中，每组解代表一组运动方案的参数组合，之后依据生成的随机解，在方案空间中初始化对应数量的搜索体，每组搜索体位置对应一组运动方案，依据用户目标计算各组运动方案的适应度，在每轮迭代开始时，对比各运动方案适应度，并确定适应度最高的位置，之后计算各搜索体与最优位置之间的距离以及移动系数，并判断搜索体是否时局部包围最优位置，若移动系数小于1，则依据计算出的距离以及设定的移动系数，更新各搜索体的位置，再次计算更新后各搜索体与最优位置的欧几里得距离，使用对数螺旋公式再次更新位置，反之，随机选择一组搜索体的位置，并更新其余搜索体位置，重复对搜索体位置进行迭代更新，直至达到预设的最大迭代次数，迭代结束后，输出最优位置，即优化后的运动方案，并根据优化后的运动方案更新用户原有方案训练内容、强度、频率和组合，提升健身方案的整体质量和合理性，确保生成的方案在训练效果和用户体验方面更为均衡，避免用户在健身过程中产生厌倦感，提升整体的训练动力和持续性。

45、2、该基于优化算法的健身运动方案生成系统定期收集用户的实时反馈和监测数据，并以最大化用户对方案的满意度为目标，构建目标函数评估在给定运动方案下，用户的整体适应性和效果，之后利用当前的反馈数据和监测数据构建先验概率模型，并通过该先验概率模型计算当前目标函数的先验分布，在得到新的用户反馈和监测数据后，依据先验分布以及似然函数，通过贝叶斯公式计算更新目标函数的概率分布，以获取对应后验分布，后验分布更新完成后，通过最大化期望改进选择下一个运动方案进行实验，循环迭代优化，在每次实验后，利用新的用户反馈和监测数据更新先验概率模型，并重新选择下一个运动方案进行实验，直到达到预设目标值后停止，迭代结束后，收集当前优化后的健身运动方案，并依据个性化调整后的方案生成详细的健身方案报告，保证健身方案能够随时适应用户体能状态和健康状况的变化，减少因不确定性带来的风险，并提高个性化调整的准确性，实现快速有效地进行调整，缩短方案优化的时间。