徐華1 ，趙軍2

　?。?.寧夏大學 數(shù)學與計算機學院，寧夏 銀川 750000；2.寧夏大學 經(jīng)濟與管理學院，寧夏 銀川 750000）

       摘要：提出了一種基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡工業(yè)經(jīng)濟運行指標的預測方法，用遺傳算法來優(yōu)化BP神經(jīng)網(wǎng)絡各連接層的權(quán)值和閾值，用訓練好的BP神經(jīng)網(wǎng)絡模型來預測工業(yè)經(jīng)濟運行指標以求得最優(yōu)解。以工業(yè)經(jīng)濟運行指標工業(yè)總產(chǎn)值為例，將該遺傳BP神經(jīng)網(wǎng)絡模型應用到工業(yè)總產(chǎn)值和工業(yè)用電量的預測中，并與BP神經(jīng)網(wǎng)絡預測模型進行了對比。由結(jié)果可知，該模型對工業(yè)經(jīng)濟運行指標趨勢的判斷和預測更加準確，可為宏觀決策提供可靠的依據(jù)，促進工業(yè)經(jīng)濟能夠健康可持續(xù)發(fā)展。

　　關鍵詞：工業(yè)經(jīng)濟；運行指標；遺傳算法；BP神經(jīng)網(wǎng)絡

0引言

　　近年來，寧夏工業(yè)經(jīng)濟運行情況不斷下滑，同時節(jié)能減排的任務壓力增加。為保持工業(yè)經(jīng)濟能夠平穩(wěn)增長，同時把控工業(yè)經(jīng)濟運行的情況，就需要分析和預測全區(qū)工業(yè)經(jīng)濟運行趨勢，為此需要對核心經(jīng)濟指標做出科學、準確的預測，從而可以反映出經(jīng)濟發(fā)展的走勢，為分析判斷、制定計劃提供參考。目前，對工業(yè)經(jīng)濟指標的預測主要有定性分析、數(shù)量經(jīng)濟學和神經(jīng)網(wǎng)絡等研究方法［12］。在這些預測模型中，定性分析主要依靠經(jīng)濟研究者的經(jīng)驗積累；數(shù)量經(jīng)濟學研究方法主要是建立數(shù)學預測模型，有諸多的限制和假設。目前，BP神經(jīng)網(wǎng)絡預測模型是預測效果相對較好的一種。但該模型有兩個明顯的不足：一是容易陷入局部極小值；二是收斂速度慢［3］。為避免上述問題，本文利用遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡（遺傳BP神經(jīng)網(wǎng)絡）預測模型對工業(yè)經(jīng)濟運行指標做出預測。

　　遺傳算法（Genetic Algorithm，GA）由美國Michigan大學的J.Holland教授首先提出。遺傳算法通過模擬自然界中的繁殖、交叉和突變現(xiàn)象，按照某一適應度函數(shù)從每一代種群中選擇一組候選染色體，讓其進行交叉和變異以產(chǎn)生新一代種群，反復迭代，在此過程中個體的適應度不斷提高，直到滿足一定的條件［4］，是一種針對生物進化過程提出的算法，此算法不僅適應性強而且魯棒性高。其特點主要表現(xiàn)在：（1）演化是概率性的，因此，搜索過程很難達到局部最優(yōu)；（2）采用自然進化機制，充分利用適用度函數(shù)提供的信息；（3）易于和局部搜索算法相結(jié)合，進而構(gòu)造更加高效的混合策略搜索算法；（4）演化計算具有并行性 ［5］。另外，演化計算具有自適應性，能夠自發(fā)學習環(huán)境特性與規(guī)律?；谶z傳算法的特點和BP神經(jīng)網(wǎng)絡的不足，本文提出了遺傳BP神經(jīng)網(wǎng)絡預測模型對工業(yè)經(jīng)濟運行指標進行預測。該模型首先根據(jù)工業(yè)經(jīng)濟運行指標預測時輸入輸出的參數(shù)個數(shù)來確定BP神經(jīng)網(wǎng)絡的拓撲結(jié)構(gòu)，然后用遺傳算法對BP神經(jīng)網(wǎng)絡各層連接的權(quán)值和閾值進行優(yōu)化，將利用遺傳算法得到的最優(yōu)個體的值作為BP神經(jīng)網(wǎng)絡權(quán)值和閾值的初始值，用此初始值初始化BP神經(jīng)網(wǎng)絡模型，之后訓練，以得到最優(yōu)解。用遺傳算法來優(yōu)化BP神經(jīng)網(wǎng)絡模型能有效地解決BP 神經(jīng)網(wǎng)絡易陷入局部極小值、收斂速度慢的問題。

1BP神經(jīng)網(wǎng)絡預測模型

　　經(jīng)濟分析預測是一門藝術(shù)，要準確地判斷經(jīng)濟運行中的各種指標未來的發(fā)展趨勢，才能有效地預測經(jīng)濟的發(fā)展。許多學者對預測模型進行了研究，在目前諸多預測模型中，BP神經(jīng)網(wǎng)絡模型是應用最廣泛的神經(jīng)網(wǎng)絡模型之一［6］。它根據(jù)實際的輸入與輸出數(shù)據(jù)來計算模型的參數(shù)，通過誤差反傳算法［7］來持續(xù)調(diào)整BP網(wǎng)絡各層的權(quán)值和閾值，使模型的誤差平方和達到最小。3層BP神經(jīng)網(wǎng)絡的拓撲結(jié)構(gòu)如圖1所示，由輸入層、隱含層和輸出層組成，每個層中包含多個神經(jīng)元。

　　圖13層BP神經(jīng)網(wǎng)絡拓撲結(jié)構(gòu)在該BP神經(jīng)網(wǎng)絡模型中，設輸入層的節(jié)點數(shù)為n，隱含層的節(jié)點數(shù)為p，輸出層的節(jié)點數(shù)為m。在本文對工業(yè)經(jīng)濟運行指標的預測中取輸出層節(jié)點數(shù)m=1，則BP神經(jīng)網(wǎng)絡完成映射f:Rn→R1，其隱含層各節(jié)點的輸入為：Rj= f1(∑ni = 1wkixi-θj)(j=1,2,…,p)，其中wki是輸入層到隱含層的權(quán)值；θj為隱含層節(jié)點的閾值。輸出層節(jié)點的輸入為：C=∑pk=1vjkzj－γ，其中vjk為隱含層到輸出層的權(quán)值；γ為輸出層的閾值。BP神經(jīng)網(wǎng)絡采用Sigmoid轉(zhuǎn)移函數(shù)f(x)=1/(1+e－x),則隱含層節(jié)點的輸出為：Oi=11+exp(－∑ni=1wkixi+θj)(j=1,2,…,p)，同理，輸出層節(jié)點的輸出為：

　　BP 神經(jīng)網(wǎng)絡的連接權(quán)值 wki、vjk和閾值θj、γ可由BP神經(jīng)網(wǎng)絡訓練求得，式（1）即為BP神經(jīng)網(wǎng)絡的預測模型。BP神經(jīng)網(wǎng)絡先將各層的權(quán)值和閾值隨機賦值為［0，1］之間的任意值，然后進行訓練。這樣會使BP神經(jīng)網(wǎng)絡在訓練過程中出現(xiàn)收斂速度慢、很難達到最優(yōu)解的問題。由遺傳算法的特點可知，若采用遺傳算法對BP神經(jīng)網(wǎng)絡模型的初始權(quán)值以及閾值分布進行優(yōu)化，可提高BP神經(jīng)網(wǎng)絡模型的預測精度。

2遺傳BP（GA-BP）神經(jīng)網(wǎng)絡預測模型

　　工業(yè)經(jīng)濟運行指標BP神經(jīng)網(wǎng)絡預測模型通過神經(jīng)元之間的信息傳遞和誤差逆?zhèn)鞑韺崿F(xiàn)經(jīng)濟指標的預測。BP神經(jīng)網(wǎng)絡采用誤差反傳算法，這種算法實質(zhì)上是一個無約束、非線性和最優(yōu)化的計算過程。當有較大的網(wǎng)絡結(jié)構(gòu)時，這種算法計算時間長，很容易收斂于局部極小值點，從而無法達到最優(yōu)解，影響了BP神經(jīng)網(wǎng)絡解決問題的能力。遺傳算法具有全局搜索能力，能有效地解決局部極小值的問題。于是提出遺傳BP神經(jīng)網(wǎng)絡預測模型，它以歷史數(shù)據(jù)為網(wǎng)絡訓練樣本，最終得到的輸出為綜合預測狀態(tài)值。用遺傳BP神經(jīng)網(wǎng)絡建立寧夏工業(yè)經(jīng)濟運行指標預測模型，可提高在工業(yè)經(jīng)濟運行中經(jīng)濟指標的預測精度，根據(jù)預測的走勢更好地制定相應的法規(guī)和政策以對經(jīng)濟實體進行宏觀調(diào)控。

　　遺傳算法不依賴于問題的具體領域，直接在解空間進行搜索以求得最優(yōu)解，具有很強的魯棒性。通過遺傳算法能使BP神經(jīng)網(wǎng)絡各連接層的權(quán)值、閾值在預定的進化次數(shù)內(nèi)得到最優(yōu)解，從而提高BP神經(jīng)網(wǎng)絡處理問題的能力。遺傳BP神經(jīng)網(wǎng)絡預測模型的流程圖如圖2所示，其主要步驟有：

　　（1）選擇編碼方式。在這里編碼的對象是權(quán)值和閾值。因權(quán)值和閾值都是實數(shù)，為避免編碼過長和解碼頻繁，故選擇實數(shù)編碼［8］。編碼的長度由圖1中的BP神經(jīng)網(wǎng)絡結(jié)構(gòu)決定，編碼串的順序也按照圖1中從輸入到輸出的順序排列。

　?。?）選擇操作。采用賭輪法選擇算子，即個體被選中的概率與適應度函數(shù)成正比。選擇的概率為［9］：pi=fi∑pi=1fi (fi=1fit,i=1,2,…,p)，式中，p為種群的規(guī)模。

　?。?）交叉操作。由于用實數(shù)編碼方法對對象編碼，所以這里交叉操作的方法也應用實數(shù)交叉法。第 m個基因 φm和第n個基因 φn在 k位的交叉操作為：

　　φmk=φmk(1－θ)+φnjθ

　　φnk=φnk(1－θ)+φmkθ

　　式中，θ是［0,1］間的隨機數(shù)。

　?。?）變異操作。選取第i個個體的第l個基因進行變異，則：

　　式中，φmax為基因φil取值的上界，φmin為基因φil取值的下界；r 為［0，1］間的隨機數(shù)；r2為一個隨機數(shù)；g為當前迭代次數(shù)；Gmax為最大進化代數(shù)。

　　（5）計算適應度。設網(wǎng)絡訓練輸出值為i，以訓練誤差的平方和作為個體的適應度，則每個個體ti的適應度定義為：fit=∑(i－oi)2(i=1,2,…,p)，平均適應度定義為：=∑pi=1fitiP，式中，i為訓練輸出值，oi為訓練輸出期望值，P為種群規(guī)模。

　?。?）利用遺傳算法優(yōu)化的權(quán)值和閾值對BP神經(jīng)網(wǎng)絡預測模型進行訓練，得到所求預測問題的最優(yōu)解。

3實驗

　　根據(jù)經(jīng)濟指標的選取原則即經(jīng)濟指標應具有重要性、靈敏性、及時性和可操作性等［10］，以及寧夏自治區(qū)經(jīng)信委提供的寧夏工業(yè)經(jīng)濟運行情況，以工業(yè)經(jīng)濟指標工業(yè)總產(chǎn)值和工業(yè)用電量為例，應用遺傳BP神經(jīng)網(wǎng)絡和BP神經(jīng)網(wǎng)絡預測模型對其預測。通過提供基于數(shù)據(jù)的預測模型來輔助決策，可以提高寧夏地方政府工業(yè)經(jīng)濟運行分析能力，為寧夏地方政府工業(yè)經(jīng)濟運行的科學預測提供輔助決策。表1是寧夏2001~2014年的工業(yè)總產(chǎn)值。

　　選取2001~2010年工業(yè)總產(chǎn)值的發(fā)展狀況作為訓練樣本，2011~2014年工業(yè)總產(chǎn)值的發(fā)展狀況作為檢驗樣本。分別用BP神經(jīng)網(wǎng)絡預測模型與遺傳BP神經(jīng)網(wǎng)絡預測模型對工業(yè)經(jīng)濟運行指標工業(yè)總產(chǎn)值進行預測，結(jié)果如表2所示。BP和遺傳BP（GABP）神經(jīng)網(wǎng)絡模型的工業(yè)總產(chǎn)值預測如圖3所示。從表2和圖3可以看到，遺傳BP神經(jīng)網(wǎng)絡模型預測結(jié)果更接近于實際值。

　　表3為寧夏2005~2014年的工業(yè)用電量。選取2005~2011年工業(yè)用電量的發(fā)展狀況作為訓練樣本，2012~2014年工業(yè)用電量的發(fā)展狀況作為檢驗樣本。分別用BP神經(jīng)網(wǎng)絡預測模型與遺傳BP神經(jīng)網(wǎng)絡預測模型對工業(yè)經(jīng)濟運行指標工業(yè)用電量進行預測，結(jié)果如表4所示。BP和遺傳BP（GABP）神經(jīng)網(wǎng)絡模型的工業(yè)用電量預測如圖4所示。從圖中可以直觀地看到，遺傳BP神經(jīng)網(wǎng)絡模型預測結(jié)果更接近于實際值。 

4結(jié)論

　　本文針對在工業(yè)經(jīng)濟運行指標預測中BP神經(jīng)網(wǎng)絡模型存在易陷入局部極小值、收斂速度慢等問題，提出了遺傳BP神經(jīng)網(wǎng)絡預測模型，并與BP神經(jīng)網(wǎng)絡預測模型進行了比較。實驗結(jié)果表明，遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡模型的預測結(jié)果更接近于實際值，提高了預測的準確度。實際上工業(yè)經(jīng)濟運行指標是一個非常復雜的問題，很難對其進行準確預測。在寧夏工業(yè)運行數(shù)據(jù)基礎上運用遺傳BP神經(jīng)網(wǎng)絡建立模型，通過持續(xù)學習，提高了寧夏工業(yè)經(jīng)濟運行的預測準確度，有一定的適用性，但仍需根據(jù)實際運行狀況來進行驗證。

　　參考文獻

　?。?］ 趙春標. 工業(yè)經(jīng)濟監(jiān)測預測模型的研究與應用［D］. 合肥:合肥工業(yè)大學，2012.

　?。?］ 朱蓉華. 工業(yè)經(jīng)濟運行監(jiān)測系統(tǒng)的建設研究［J］. 電子政務，2011(4)：2125.

　?。?］ 賀國光，李宇，馬壽峰. 基于數(shù)學模型的短時交通流預測方法探討［J］. 系統(tǒng)工程理論與實踐，2000，20(12)：110112.

　　［4］ 唐明. 短時交通流特性及其預測方法研究［D］. 長沙：長沙理工大學，2004.

　　［5］ TANG H，WU E X. MRI brain image segmentation by multiresolution edge detection and region selection［J］. Computerized Medical Imaging and Graphics，2000，24(9)：349357.

　　［6］ CHEN H，GRANT MULLER S. Use of sequential learning for shortterm traffic flow forecasting［J］.Transportation Research，2001，9(5)：319336.

　?。?］ 李松，羅勇，張銘銳. 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的混沌時間序列預測［J］. 計算機工程與應用，2011，47(29):5255.

　?。?］ MONTANA D J, DAVIS L. Training feed forward neural networks using neural networks and genetic algorithm［C］. Proc. of International Conference on Computing, Communications and Control Technologies, Austin, USA， 1989: 762767.

　　［9］ 張良均，曹晶，蔣世忠. 神經(jīng)網(wǎng)絡實用教程［M］. 北京：機械工業(yè)出版社，2008.

　?。?0］ 王敏,周博,李陽. 北京工業(yè)經(jīng)濟運行監(jiān)測預警指標體系的構(gòu)建［C］. 北京市統(tǒng)計學會：北京市第十五次統(tǒng)計科學討論會獲獎論文集，2009:189190.