基于遗传算法神经网络销售量预测模型.pdfVIP

第 7 卷第 3 期 系 统 工 程 理 论 方 法 应 用 V o l. 7 N o. 3 　 1998 年 SY ST EM S EN G IN EER IN G- TH EOR Y M ETHODOLO GY A PPL ICA T ION S 1998 　 基于遗传算法的神经网络销售量预测模型 范　宏　王直杰　汤兵勇 ( 中国纺织大学旭 日工商管理学院, 上海 20005 1) 【摘要】采用神经网络方法建立了销售量预测模型。以我国电视机销售量为实际预测对 象, 运用神经网络的进化学习方法对其进行了试验预测, 并和常规的线性回归方法进行了比 较。结果表明, 神经网络方法比常规方法具有更高的精确度和更好的预测能力。 关键词　神经网络　预测　进化算法 1　引　言 [ 1 ] 目前常用的预测方法有许多种 , 主要有时间序列预测法、平滑预测法、趋势线预测法、 季节周期预测法、回归预测技术等。虽然这些方法已在各种场合得到了应用, 但它们或多或 少存在着以下某些欠缺: ( 1) 模型大多只能应用于线性场合, 对于非线性场合不能很好地应 用; (2) 难以应用于多因素场合; (3) 模型的建立依赖于预测人员对具体问题的了解程度和 预测方面的经验。 人工神经网络是一种模拟人脑信息处理方法的非线性系统, 具有知识的分布式存储和 并行处理的特点, 并且具有记忆和联想的功能。理论研究表明, 它能以任意精度逼近任意的 非线性函数, 因此, 它比较适合于一些复杂问题的建模。销售量的预测对于经营者而言无疑 是非常重要的, 但销售量的影响因素很多, 在我国目前情况下, 它还和国家的许多政策等有 关, 很难用常规的方法进行准确预测。为此, 本文探讨采用神经网络建立销售量的预测模型, 运用神经网络的记忆能力对历史数据进行学习记忆, 建立起销售量的神经网络模型, 然后利 用神经网络的联想能力对未来销售量进行预测。 2　神经网络的进化学习 [3 ] 神经网络的结构形式有多种, 本文采用一种常用的前向神经网络模型 解决销售量预 测问题。前向神经网络最常用的学习算法为B P 算法, 然而B P 算法容易陷入局部极小点, 因 此, 本文采用近年来蓬勃兴起的进化算法[4, 5 ] 对神经网络进行学习。进化算法是一种基于群 体优化的优化方法, 它的基本思想是模拟自然界中生物群体的进化过程, 按照达尔文的进化 思想, 在 自然界中, 生物群体之间相互竞争, 按适者生存的原则进行选择, 适应环境的个体被 保留, 而不适应环境的个体被淘汰, 个体能继承父辈的特性, 同时又发生变异而具有不同于 父辈的特性, 这样为 自然界的选择提供了更多不同的个体, 群体就是这样经过一代代的演 经, 最终由不适应环境进化到适应环境。一般地, 进化算法有 3 种不同的类型: 遗传算法、进 化规划和进化策略。由于神经网络学习的特点, 进化策略的学习具有一定的优越性, 进化策 本文于 1997 年 4 月 8 日收到, 修改稿于 1997 年 12 月 20 日收到 — 18 — 系 统 工 程 理 论 方 法 应 用 1998 年第 3 期 略在神经网络中的学习步骤如下: Step 1　确定神经网络的表示方式; 2　随机产生一定数量( ) 的神经网络作为初始群体; Step N Step 3　计算每个神经网络所对应的性能指标, 并按其大小进行排序; Step 4　选择性能指标排在前 50% 的个体作为下一代的个体, 不作改变的复制到下一 代, 丢弃其余的个体; Step 5　将性能指标排在前 50% 的个体作为下一代新个体的父辈, 分别对它们进行变 异, 产生新个体; Step 6　由Step 4 和 Step 5 形成新一代群体, 回到 Step 2, 直到所得到的神经网络满足给 定的要求。 首先可