遗传神经网络在电信业务收入预测中的应用研究(2)
2013-09-08 01:05
导读：步骤2：适应度计算及评价 根据适应度函数值对个体进行评价,对每个个体进行解码得到一个BP神经网络输入样本,计算出神经网络的输出误差值E，选择适应
步骤2：适应度计算及评价
根据适应度函数值对个体进行评价,对每个个体进行解码得到一个BP神经网络输入样本,计算出神经网络的输出误差值E，选择适应度函数
式中，Ymk,Ymk分别为第m个训练样本的第k个输入节点的期望输出和实际输出。适应度f越高，表明误差平方和越小，就越接近性能要求。
步骤3：遗传操作
(1)选择与复制
保留群体中适应度最高的个体，它不参与交叉和变异运算,而直接将其复制到下一代。群体中的其他个体，采用轮盘赌选择法进行选择，这样适应度小的个体也有机会进入被保留。因此保证了群体中个体的多样性，防止算法落入局部最优。如果M个个体中的第i个个体的适应度为fi，则其被选中的概率为：
（2)交叉
由于权重系数采用实数编码，故本文采用算术交叉方式，以Pc的概率对选择后的个体进行交叉。设在个体XA和个体XB之间进行交叉,交叉算子为
式中:
，为父代个体基因；
,为子代个体基因，a为区间[0,1]上的随机数。两个个体在交叉点后的基因进行交换，从而产生两个新个体。
（3)变异
变异是对按变异概率Pm(这里取0.05）选取的个体进行变异,然后随机选取一变异点,变异的基因安
进行变异操作。若新产生的种群个体的最大适应度小于原种群个体的最大适应度,则用原种群适应度最大的个体替换新种群中适应度最大的个体。
步骤4： 产生新种群
将新个体插入到种群P(t)中，产生新的种群P(t 1)，再把新种群个体的连接权赋予神经网络中，并计算新个体的适应度函数，若达到预定值εGA，则进入下一步，否则继续进行遗传操作。
步骤5再用BP算法训练网络权值
达到所要求的性能指标或最大遗传代数后，将最终群体中的最优个体解码即可得到优化后的网络连接权系数。以GA遗传出的优化初值作为BP神经网络的初始权值，再用BP算法训练直到误差平方和达到指定精度 或达到设定的最大迭代次数，算法结束。
模型算法流程图见图2:
三、数据来源及实证结果
1.实验数据来源
本文采用遗传神经网络的方法对我国某地市的电信公司的业务收入进行预测。影响电信企业收入的因素可以分两大类：内部因素和外部因素;内部因素指由企业自身对收入造成影响的主要因素，如产品数量、投入成本、工程投资、固定资产、企业体制等。外部因素指当地经济发展指标、当地人口数量、相关法律法规、消费者偏好、竞争环境等。
2.网络结构确定
以1999年～2003年的数据来预测第2004～2005年的数据，取神经网络的输入层节点数为m=20个，输出量n为1个即电信业务收入，由经验公式:k=(m n) c结合试错法，可得隐含层节点数s1=14，输出层数s2=1。
因此建立的网络基本参数为:拓扑结构20－14－1；
3.遗传神经网络训练:
应用遗传操作（选择、交叉、变异）训练神经网络,产生新一代个体，淘汰父代个体，直至达到最大进化代数或者产生最优解。给定精度（εGA=0.005），经遗传优化训练后得到最终的初始权值和阈值。用遗传算法训练得到的初始权值和阈值建立BP网络模型，并训练网络直至达到指定精度。
