服装流行色预测是指使用某种特定方法进行判断,给出在服装上市前18个月服装色彩的流行趋势定案。定案可以为整个服装行业包括纤维供应商、面料生产企业、成衣生产企业及服装代理商提供行业指导和引领作用。为服装产业的快速发展提供有力条件。因此各个国家都开始重视服装流行色趋势的预测方法研究。近年逐步兴起的服装流行色定量预测方法以数据统计作为研究对象,分析其数据信息的规律性和数理性。虽然一些定量预测方法已经被应用到流行色预测领域,并取得一定的成效。但是,服装流行色预测研究起步较晚,目前还处于探索阶段,预测方法的有效性和精度低等问题依然存在。本文针对现有服装流行色定量预测方法在精度上存在的缺陷,在提出基于色彩体系的色彩量化和分类准则的基础上,设计了一款高性能的基于层次协同演化机制的多蜂群协同优化算法,进而将该改进算法应用于人工神经网络权值配置问题上,提升神经网络模拟目标问题的精度,并借助此改进的神经网络,最终进行服装流行色预测求解问题,提高预测结果的精准度。本文主要从以下几个方面开展研究工作:(1)研究了服装流行色定案的量化与分析。针对色彩的主观性和研究中存在数据来源不统一、色彩量化复杂等问题,提出以国际色彩委员会发布的2007-201 8年国际春夏女装流行色定案为研究对象,以色彩体系为色彩量化和分类的工具,确定了对色彩体系的色相、明度、纯度区间分类的依据和标准,通过分析量化数据获得定案的特征。(2)提出一种基于层次协同演化模式的多种群进化模型,该模型借鉴了复杂适应系统理论和生物学中协同进化思想,同时此模型涵盖了从个体到种群再到群落的层次结构。在充分保留个体基本搜索特性的基础上,通过层次间信息交流模式和同层内竞争-协作共生模式,可实现个体层、种群层和群落层之间的智能涌现。在此模型基础上提出一种基于群落层次演化的多蜂群协同优化算法(HABC)。在此算法中,采用分治策略,实现高维问题低维化操作,即将问题的每一个维度随机分配到若干子维度集合中,多个种群协同处理相对简单的子维度优化问题,降低问题求解难度。采用交叉操作与精英策略增强种群间信息的交流,以保证群体多样性。(3)为克服传统的基于梯度下降法、数值优化法的神经网络训练容易陷入局部最小值、计算复杂、对网络的初始权值和参数极为敏感的缺陷,采用基于群体层次演化的多蜂群协同优化算法求解人工神经网络的权值。将网络中需要训练的参数视为优化问题的解的维度,求解最优解的过程,个体之间竞争的过程,就是网络参数训练的过程。本实验用7个实例问题进行检验。试验表明,基于群落层次演化多蜂群协同算法优化的神经网络在收敛速度、学习效率等方面均优于传统BP神经网络算法和基本人工蜜蜂群算法优化的神经网络。(4)根据色彩学理论对PANTONE色相环进行区间划分,使用区间分类划分边界值的方法。为主观色彩色相的数字化提供了重要的依据。实验以200 7-2018年由国际色彩委员会发布的国际春夏女性服装流行色定案作为研究数据,借助基于群落层次演化多蜂群协同算法的神经网络HABCNN,讨论了神经网络模型中隐含层的不同节点数对预测精度的影响。并进一步预测了下一年度春夏女装流行色(色相、明度和纯度)的变化趋势,可为国内中小型服装企业提供流行色预测的技术手段,以更好地捕捉市场意识形态,降低产品投入风险。