一类改进BP神经网络模型应用研究.docVIP

一类改进BP神经网络模型的应用研究 　　摘要： 本文在分析遗传算法和BP神经网络算法特点的基础上，建立了基于GA-BP的装备配件需求数量预测模型，并作了实例分析，表明装备配件需求预测模型的有效性和实用性。所给出的模型为装备配件及相关材料需求量的预测分析提供了一条新途径。 　　Abstract： Based on the analysis of genetic algorithm and BP neural network algorithm， forecasting model of equipment parts demand is established based on the GA-BP， and a case study， demonstrates the validity and practicability of equipment spare parts demand prediction model. This model provides a new way for the prediction and analysis of equipment accessories and related materials demand. 　　关键词： 遗传算法；人工神经网络；配件需求；预测 　　Key words： genetic algorithm；artificial neural network；the demand for equipment spare parts；forecast 　　中图分类号：C931；E9；O221.6 文献标识码：A 文章编号：1006-4311（2015）32-0100-03 　　0 引言 　　BP网路是目前应用最广泛的神经网络模型之一，其结构简单，仿真能力强，易于实现，近年来被广泛应用在评估预测、专家系统、图像处理故障诊断等领域。但是该算法在训练过程中易陷入局部最小，从而致使网络学习速度慢、收敛时间长，严重时会出现网络麻痹现象，由于这些限制了其进一步拓展和应用，因此，对BP算法的改进迫在眉睫。 　　目前，以数学建模为基础的各种建模竞赛成为高校教学科研的一个重要项目内容。通过建立数学模型进行定量分析，能够解决许多实际应用问题。如何应用各种数学模型和算法，探讨和解决课题研究中的量化问题，确有着实用价值。本文研究建立基于遗传算法和BP神经网络的装备配件需求数量预测模型及实例分析，在BP算法的基础上提出了一种GA-BP改进型算法。通过遗传算法的良好的全局优化性能确定最优权值，并定为BP网络的初始权值，进而通过神经网络算法求得最优解。GA-BP有效的避免了BP依赖初始值、产生局部极小，有效的提高了BP的收敛速度。GA-BP算法可以较好的解决多维输入的装备配件需求预测问题。 　　1 遗传算法理论 　　遗传算法（Genetic Algorithm，简称GA）是由美国Michigan大学的Holland教授于1975年首次提出，它的基本思想是基于Darwin的进化论和Mendel的遗传学。即生物的遗传，变异、选择在生物的进化过程起着重要作用，它使生物不仅能够保持自身固有特性，同时还能够不断改变自身以适应新的生存环境。遗传算法是一种基于群体进化的计算模型，它通过群体的个体之间繁殖、变异、竞争等方法进行的信息交换优胜劣汰，从而一步步地逼近问题最优解。 　　遗传算法只需利用目标函数的取值信息，适用于高度非线性的大规模不连续函数优化以及无解析表达式的目标函数的优化，通用性非常强。具有快速随机的搜索能力。遗传算法操作的目标函数为可行解的适应值，因而具有良好的可操作性。它的择优机制是一种有良好的并行性的“软”决策，具有良好的全局优化性能和稳健性[1]。使用概率机制进行迭代，具有随机性。具有可扩展性，容易与其他算法结合。 　　2 BP神经网络理论 　　人工神经网络（Artificial Neural Networks，简称ANN）是基于生物学的神经元网络的基本原理而建立的，实质上是模仿大脑的结构和功能，借助计算机处理大规模信息的一种信息处理系统。具有从环境学习能力的高度非线性系统，理论上能在任意精度上逼近任意定义在致密集上的非线性函数。 　　BP神经网络是一种多层前馈神经网络，BP神经网络是一种单向传播的多层前馈网络。图2是一个三层BP网络示意图。它由输入层、隐层和输出层构成，相邻层各个神经元之间形成完全连接关系，而同一层内各个神经元之间没有任何连接关系。n个输入信号从输入层进入网络，经传递函数（一般为Sigmoid函数）变换后到达隐层，然后再经传递函数（有时是线性函数）变换到输出层构成m个输出信号。由于同层内各个神经元之间无耦合关系，每一层神经元的输出信号只影响下一层神经元