徐永春，張森文

(1 華南農業(yè)大學工程學院，廣東廣州 510642;2 廣東理工職業(yè)學院計算機系，廣東廣州 510091;3 暨南大學應用力學研究所，廣東廣州 510632）

甘蔗產量的預測是制糖工業(yè)的一項重要技術管理工作，對優(yōu)化提高甘蔗生產作業(yè)及統(tǒng)籌管理具有指導作用.在甘蔗產量預測中，農作物產量、氣象等是重要影響因子，應用傳統(tǒng)數理統(tǒng)計方法對農作物產量、氣象等的預測預報的研究已較為成熟，但該法對受外界多因素關聯作用的農作物產量預測存在預測難度大、精度差、準確度低等問題，在實際應用中難以符合需求.近年來，神經網絡在人工智能領域的應用研究十分活躍，但仍存在訓練時間長、收斂于局部極小值等不足，使得傳統(tǒng)的神經網絡算法在網絡學習訓練中所獲得的網絡權、閥值在訓練效率和精度上都有所下降［1-2］，而與之對比的人工智能算法——遺傳算法則具有簡單通用、魯棒性強和并行運算等優(yōu)點，二者的結合將強化BP學習訓練、優(yōu)化BP神經網絡權閥值，促進BP神經網絡的快速收斂，提高BP網絡神經預測的效率與精度.但傳統(tǒng)遺傳算法存在一些具有超高適應度的個體，它們在選擇算子時，會以很大的概率參加繁殖，引起群體平均適應度飽和、個體間競爭力減弱，導致運算收斂速度下降，甚至是未成熟收斂，出現“早熟”現象［3-4］.為有效發(fā)揮遺傳算法的特色優(yōu)勢，在應用中需對算子選擇方法、判別做適度改進.

甘蔗生產是市場調節(jié)、種植規(guī)模、氣候調節(jié)多因素作用關聯的大系統(tǒng).在甘蔗產量預測中，簡化農作物產量、氣象等輸入因子對于構建規(guī)模適度的BP網絡模型，提高BP網絡的訓練效率和精度有直接的作用.本文通過多元逐步回歸簡化輸入參量，有效結合遺傳算法與神經網絡算法，構建改進的遺傳神經網絡甘蔗產量預測模型，并以實例驗證.

1 改進遺傳神經網絡設計

1.1 遺傳算法改進設計方案

神經網絡的優(yōu)化設計問題屬于高維連續(xù)的尋優(yōu)問題.根據BP網絡輸入節(jié)點設計的需要，本文采用搜索精度高、搜索空間大的實數編碼方案，可以較好地解決因空間不足而導致算法收斂緩慢問題.

在遺傳算子的改進方案中，遺傳參數中的交叉概率pc和變異概率pm是決定遺傳算法(GA)性能的關鍵，無論過大還是過小，都會直接影響算法的收斂性和收斂速度，但很難找到一個適應每個問題的最佳值，對于不同的優(yōu)化問題需要反復試驗來確定pc和 pm.Scinivas 等［5］和 Fogarty［6］提出了種群隨迭代次數增加而收斂調整pc和pm的概率值，控制pc和pm最小范圍，但算法的自適應能力較差.本文在文獻［7］基礎上，改進自適應交叉和變異算子，設計自適應的交叉和變異公式(1)和(2)，在預測仿真前實例驗證，證明變異概率隨指數下降有很好的性能，其自適應的交叉和變異公式為:

式中，t為遺傳迭代次數;t_max為最大遺傳代數;λ、k為常數，根據種群分布大小取值，一般為［5，10］;pc1、pm1分別為固定交叉概率和變異概率.通過式(1)和式(2)可控制 pc取值在［0.5，1］之間，而 pm取值在［0，0.5］之間.通過自適應交叉和變異處理的遺傳算法，出現適應值高于群體平均值的個體有更大的概率進入下一代，而適應值低于群體平均值的個體則將被淘汰，從而可大大加快遺傳算法收斂.

1.2 基于改進遺傳算法優(yōu)化的BP網絡設計

利用改進遺傳算法與BP網絡形成混合訓練算法，使每個個體包含若干條染色體，每條染色體對應1個權值或閥值，染色體采用實數編碼，通過上述改進策略，則改進的遺傳BP網絡模型設計框架主要是以權閥值訓練為主.首先由改進GA進行全局搜索，將搜索范圍縮小后，交與BP網絡執(zhí)行局部尋優(yōu)，發(fā)揮其局部尋優(yōu)的高精確性，具體步驟如下:

1)初始化網絡，初始化群體;

2)計算神經網絡誤差函數個體適應度，若達到預定精度要求則轉5);

3)遺傳操作(選擇、交叉、變異)，產生新一代個體;

4)改進自適應交叉和變異算子更新;

5)解碼，獲得優(yōu)化的BP網絡權閥值;

6)再以優(yōu)化的權、閥值進行BP模型的數據仿真預測.

2 甘蔗生產預測仿真

在甘蔗產量預測模型研究中，外界因子如氣象、品種資源分布率、化肥、人工技術等均對甘蔗產量預測有顯著的關聯作用.因此本文構建的改進遺傳算法BP模型選取對產量有顯著影響的氣象、優(yōu)化品種種植分布率作為輸入外界因子.因氣象、品種資源等外界因子在預測過程中，不能夠獨立提供預測模型參數，故氣象、品種資源需要進行自我學習、訓練完成下一步的預測工作［8-9］.

在模型仿真訓練中，本文采用1995—2004年10年間的氣象、品種資源分布率等作為外界因子.

氣象因子主要包括溫度、濕度、降雨量和日照，而在每年甘蔗生產中，只有若干季度是甘蔗最主要的外界生產影響條件，每年12個月中有48個外界氣象因子、若干品種資源分布數據及年甘蔗產量，通過組合改進遺傳算法BP模型輸入因子達到58個，使預報因子數目過大，導致計算復雜，降低了模型的預報精度，因此根據BP模型訓練需要，通過多元逐步回歸簡化而得到甘蔗生產最終輸入的關鍵輸入向量，其數學方程如下:

在式(3)的輸入向量中，x1～x12分別為1—12月的氣溫輸入向量因子，x13～x24分別為1—12月的日照輸入向量因子，x25～x36分別為1—12月的降雨輸入向量因子，x37～x48分別為1—12月的濕度輸入向量因子，x49～x57分別為品種資源輸入向量因子.最后通過多元逐步回歸方程簡化可得其最終決策外界因子為:x3，x4，x11，x19，x27，x30，x34，x46，x48及 x53等 10 個輸入因子.

由于采用自學習樣本，因此本文的模型數據設計即為以1994—2003年訓練樣本由甘蔗均產及外界因子等9×11個變量所構成，同理，2004—2006年3組樣本(3×11)作為教師樣本.

為驗證預測仿真的精度及效率，本文同時采用灰色線性外推法、SBP、SGA-BP、SBP、RINAGA-BP 等多種算法對甘蔗產量進行預測.各BP模型參數的設置均為:動量系數(lr)=0.95，迭代次數(MAXGEN)=10000，誤差精度(e)=0.00001;不同模型所獲得預測及誤差如表1、2.

表1 不同模型預測的甘蔗產量Tab.1 Result by different model kg·hm －2

表2 不同模型的預測訓練時間及誤差和Tab.2 Training time and erroneous sum with different model of forecast

由表2可知，灰色線性外推法誤差和最大，時間最短，但決策可用性極低;BP模型可顯著降低預測誤差.不同BP模型訓練誤差、訓練時間差異較大，SGA-BP訓練時間消耗最小，改進遺傳算法的BP預測其次，但其誤差累計和最小，其模擬預測的精度最高，綜合而言，效果最優(yōu).

3 結論

通過編碼、遺傳算子的改進，提高傳統(tǒng)遺傳算法的全局搜索和收斂效率，并以改進遺傳算法對BP網絡權閥值進行全局優(yōu)化，提高了BP神經網絡運行速度，從而有效克服了傳統(tǒng)BP網絡方法的缺點;針對甘蔗復雜的輸入因子進行多元逐步簡化，優(yōu)化和提高了改進遺傳BP在甘蔗生產預測仿真的學習效率.該預測模型與多種預測方法對比，驗證了在多因素作用關聯下的甘蔗產量預測效率和精度.結果顯示，改進遺傳算法在BP方法上的優(yōu)越性和合理性，這對于甘蔗產量的多因素關聯作用的預測預報應用具有重要參考價值.

［1］沈清.神經網絡應用技術［M］.長沙:國防科技大學出版社，1993:45-85.

［2］徐永春，張森文.遺傳K均值方法在品種資源分類中的應用［J］.華南農業(yè)大學學報，2009，30(2):97-100.

［3］陳國良，王熙法，莊鎮(zhèn)泉，等.遺傳算法及其應用［M］.北京:人民郵電出版社，1996:80-81.

［4］謝凱.排擠小生境遺傳算法的研究與應用［D］.合肥:安徽理工大學計算機科學與工程學院，2005:43-53.

［5］SCINVIVAS M，PATNAIK L M.Adaptive probabilities of crossover and mutation in genetic algorithms［J］.IEEE Trans SMC，1994，24(4):656-666.

［6］FOGARTY T C.Varying the probability of mutation in genetic algorithms［C］∥Anon.Proceedings of the 3rd International Conference on Genetic Algorithms.Boston:Boc.，1989:104-109.

［7］徐永春.基于智能算法的甘蔗生產決策模型研究與應用［D］.廣州:華南農業(yè)大學工程學院，2008.

［8］高大啟.有教師的線性基本函數前向三層神經網絡結構研究［J］.計算機學報，1998，21(1):80-86.

［9］陳磊，張士喬，呂謀，等.自適應遺傳算法優(yōu)化管網狀態(tài)估計神經網絡模型［J］.水利水電技術，2004，35(10):61-63.