遗传算法在建立预测预报模型中应用研究.docVIP

遗传算法在建立预测预报模型中应用研究 　　[摘要] 预测预报是人们对客观事物发展变化的一种认识与估计。对某个对象系统选择哪一种方法来建立预测预报模型，关键在于用此方法建立的预测模型的计算值与实际值的拟合程度。近几年发展起来的遗传算法(GA, Genetic Algorithm)是借鉴生物遗传机制的一种随机化搜索算法，其主要特点是群体搜索和群体中的个体之间的信息交换。遗传算法尤其适用于处理传统方法难以解决的复杂的和非线性的问题，己在许多领域有广泛的应用，它将成为智能计算的主要技术之一。文章以某企业各年度资金实际需要量动态数列为例，探讨了基于遗传算法的时序预测模型的建模方法及预测精度的有效性。 　　[关键词] 遗传算法 预测 建模 拟合 精度 　　 　　预测预报是人们对客观事物发展变化的一种认识与估计。预测预报对人类社会的重要性早己为人们所认识，“凡事预则立，不预则废”,说明了人们对预测的重要性的认识。预测可采用的方法很多,例如,传统的回归分析方法、基于灰色理论的灰色模型(Grey Model)，以及近几年发展起来的遗传算法和人工神经网络模型等。对某个对象系统选择哪一种方法来建立预测预报模型，关键在于用此方法建立的预测模型的计算值与实际值的拟合程度。 　　遗传算法(GA,Genetic Algorithm)是借鉴生物遗传机制的一种随机化搜索算法，其主要特点是群体搜索和群体中的个体之间的信息交换遗传算法尤其适用于处理传统方法难以解决的复杂的和非线性的问题，己在许多领域有广泛的应用，它将成为智能计算的主要技术之一。 　　一、遗传算法原理综述 　　1.基本术语 　　遗传算法是遗传学和计算机科学相互结合渗透而成的新的计算方法，它使用了遗传学的一些概念和基本术语来描述它的计算方法。 　　生物遗传物质的主要载体是染色体，最主要的遗传物质是DNA。染色体由基因组成，染色体中基因的位置称为基因座，基因所取的值称为等位基因。基因和基因座决定了染色体的特征，也决定了生物个体的性状。 　　染色体有两种表示模式，即基因型(genetype)表示模式和表现型(phenotype)表示模式。表现型是指生物个体所表现出来的性状。基因型是指与生物个体表现出来的性状密切相关的基因组成。同一种基因型的生物个体在不同的环境条件下表现出来的性状会有差异，因此，表现型是基因型与环境条件相互作用的结果。 　　2.编译码操作 　　在遗传算法中，与染色体相对应的是数据或数组。在标准的遗传算法中，染色体可用一维的串结构数据来表示，串的各个位置对应染色体的基因座，各位置上所取的值对应等位基因。遗传算法对染色体进行处理，或者称为对基因型个体(individuals)进行处理。一定数量的个体组成群体(population)，群体中的个体数称为群体大小(population size)或群体规模。各个个体对环境的适应程度称为适应度(fitness)。 　　执行遗传算法时有两个必需的数据转换操作，一个操作是把搜索空间中的参数或解数据转换成遗传空间的染色体或个体，或者说是把染色体数据从表现型表示转换成基因型表示，这个过程称为编码操作；另一个操作称为译码操作，它是同编码操作相反的数据转换操作，译码操作把染色体数据从基因型表示转换成表现型表示。 　　3.算法流程 　　遗传算法的基本流程如下图所示。遗传算法以群体中的所有个体为对象，选择(selection)、杂交(crossbreed)和变异(mutation)是遗传算法的三个主要操作算子，它们构成了所谓的遗传操作(Genetic Operations)，使遗传算法具有了其他传统方法所没有的特征。 　　4.基本要素 　　应用遗传算法求解问题，需要根据求解的具体问题进行下述五个方面的工作，这是遗传算法的核心内容，也称为遗传算法的五个基本要素: 　　(1)参数编码的格式设定及参数编码 　　(2)初始群体的设定 　　(3)适应度函数的设计 　　(4)遗传操作设计 　　(5)控制参数设计，主要是指群体规模和遗传操作中所需使用的有关控制参数的设定和设计 　　二、应用遗传算法建立预测预报模型 　　下面是一个用来说明遗传算法在建立预测预报模型中的应用实例。 　　例：己知某企业从1985年～2006年各年的资金实际需要量(万元)如下表所示，应用遗传算法建立该企业资金年需要量预测模型。 　　1.建模分析 　　由表给出的1985年～2006年的资金实际需要量，可作出如下图所示的年资金实际需要量曲线。由此曲线可见，企业年资金实际需要量的总趋势在增长，但有准周期性的振荡，因此，年资金实际需要量预测模型应考虑曲线总体增长趋势的描述和振荡规律的描述两部分组成。 　　(1)企业年资金需要量总体增长趋势的描述。 　　在