【基于GA-BP神经网络的配送中心库存预测探究案例综述3100字】.docx

基于GA-BP神经网络的配送中心库存预测分析案例综述

目录

TOC\o1-2\h\u15993基于GA-BP神经网络的配送中心库存预测分析案例综述 1

157471.1遗传算法 1

285171.1.1遗传算法简介 1

102871.1.2遗传算法基本要素选取 2

164321.1.3遗传算法计算方式 3

266191.2GA_BP神经网络算法流程 4

154581.3GA_BP神经网络模型训练和仿真 5

190111.4灵敏度分析 8

297141.4.1单因素灵敏度分析 8

241341.4.2全因素灵敏度分析 9

7601.5模型预测效果对比分析 10

1.1遗传算法

1.1.1遗传算法简介

基于进化论和遗传学说，遗传算法可以在不断运行的过程中，进行自主的选择和操作，最终在自适应的计算中求解得到一个最优方案[50]。在遗传算法的每一次迭代中，个体种类的筛选都是通过其适应度值来决定，一些适应性较差的个体被淘汰，而适应性强的个体则进入下一轮的进化，直到满足优化条件或者收敛要求。

遗传算法对复杂问题优化发挥重要的作用，和其他算法相比，其优势主要体现在[51]：

①应用范围广泛。首先，遗传算法的适应度函数不受连续可微的约束，因而可以依据待解决问题情况的不同进行不同的设定；其次，遗传算法通过将问题参数编码作为处理对象的方式使其能更加直接地处理结构对象，因而使用范围更加广泛。

②并行处理能力强。遗传算法将处理对象划分为数个种群，将大样本划分为多个小样本，在每个种群内进行搜索，并且能通过多台计算机同时演化计算，实现信息之间的相互交流，通过把所有结果进行比较得到最优解。

③全局搜索能力强。传统算法从待解决问题的单个解开始搜索，从单个初始值的迭代计算结果中产生最优解，而这种产生最优解的方式往往会导致局部最优解问题。相比之下，遗传算法把源数据划分为多个种群，从每个种群出发寻找最优个体。这种从待解决问题的多个解出发的搜索方式，能有效规避局部最优解问题。

1.1.2遗传算法基本要素选取

（1）运行参数

遗传算法通过模拟自然进化过程来搜索最优解，所以需要用参数来表达自然环境。根据经验和前人的研究[52-54]，本文选取的参数如表5-1。

表5-1遗传算法基本参数

参数名称

具体数值

初始种群规模

交叉概率

变异概率

P

进化代数

（2）编码

遗传算法主要采用三种方法，即符号编码、实数编码和二进制编码。本文函数求解过程采用实数编码的方式[55]，染色体编码采用线性插值的方式，即

x=lb+

其中是自变量的下界，为自变量的上界，是[0,1]区间的随机数。

该编码方式的优点主要体现在：设计简单、弱化了计算的复杂程度、提高运行效率和计算精度、有利于搜索较大的空间和表示大范围的数。

（3）适应度函数

适应度值是区分种群中每个个体好坏的指标，本文将个体适应度值定F义为网络期望输出和预测输出之间的误差绝对值和，即

F=ki=1

其中，k为系数，是网络的期望输出值，是网络的预测输出值。从上式可以看出，个体适应度值越小越好。

1.1.3遗传算法计算方式

（1）选择运算

在个体交叉、变异之前需要确定是哪些个体要进行这些运算，即选择个体。本文选择轮盘赌法[56]对个体进行选择，每个个体i的选择概率为

f

Pi

其中，Fi为个体i的适应度值，对个体选择之前对适应度值取倒数，即fj，k为系数

（2）交叉运算

交叉运算是把个体的部分基因以不确定方式相互交换，从而生成两个新个体。本文采用算术交叉[57]的方法，第m个个体与第n个个体的第i个染色体上的交叉操作为：

(5?5)

其中，r为[0,1]上的随机数。

（3）变异运算

初始个体需要经过变异以后才能变得更优秀，每个个体有很多基因，通过对基因变异，达到对个体变异的效果。变异操作方法如下[58]：

(5?6)

其中，是基因的上限和下限，，为一个随机数，g为当前迭代次数，为最大进化次数，r为[0,1]上的随机数。

1.2GA_BP神经网络算法流程

遗传算法将初始数据划分为若干种群，在种群不断更新的过程中通过计算找到最优个体。BP神经网络利用该最优个体对网络初始权值和