全 文 ： 第 vz卷 第 v期u s s t年 x 月
林 业 科 学
≥≤Œ∞‘׌„ ≥Œ∂ „∞ ≥Œ‘Œ≤„∞
∂²¯1vz o‘²1v
¤¼ou s s t
基于遗传算法的神经网络木材
消耗量预测模型研究
刘素青 周 畅 杜盛珍
k湛江海洋大学农学院 湛江 xuws{{l
摘 要 } 本文介绍了基于遗传算法的神经网络模型 o应用该模型对我国山东省木材消耗量进行了预测 o结果
表明 o预测精度高 o并且具有良好的扩展性 ∀
关键词 } 神经网络 o木材消耗量 o预测
收稿日期 }t|||2sy2sz ∀
ΤΗΕ ΣΤΥ∆Ψ ΟΝ ΤΗΕ ΩΟΟ∆ ΧΟΝΣΥΜΙΝΓ ΠΡΕ∆ΙΧΤΙΟΝ ΜΟ∆ΕΛ ΟΦ ΝΕΥΡΑΛ
ΝΕΤ ΩΟΡ Κ ΒΑΣΙΝΓ ΟΝ ΓΕΝΕΤΙΧ ΑΛΓΟΡΙΤΗΜ
¬∏≥∏´¬±ª «²∏≤«¤±ª ⁄∏≥«¨ ±ª½«¨ ±
k Αγρονοµψ Χολλεγε oΖηανϕιανγ Οχεαν Υνιϖερσιτψ Ζηανϕιανγ xuws{{l
Αβστραχτ } ׫¨ ³¤³¨µ¬±·µ²§∏¦¨¶·«¨ ±¨ ∏µ¤¯ ±¨ ·º²µ® °²§¨¯¥¤¶¬±ª²± ª¨ ±¨ ·¬¦¤¯ª²µ¬·«° ¤±§³µ¨§¬¦·¶·«¨ º²²§¦²±2
¶∏°¬±ª²©≥«¤±§²±ª°µ²√¬±¦¨ ¥¼ ·«¨ °²§¨¯q׫¨ µ¨¶∏¯·¶¶«²º¶·«¤··«¨ °²§¨¯ «¤¶¤«¬ª«³µ¨§¬¦·¬²± ³µ¨¦¬¶¬²± ¤±§
ª²²§³µ¨§¬¦·¬²± ¤¥¬¯¬·¼q
Κεψ ωορδσ} ‘¨∏µ¤¯ ±¨ ·º²µ®o • ²²§¦²±¶∏°¬±ªo°µ¨§¬¦·¬²±
t 遗传算法与人工神经网络
遗传算法是由 ‹²¯ ¤¯±§受博物学家达尔文的/生物进化0和/自然选择0学说的启发 o于 t|zx年提出
的 o经过 us多年的研究和实践 o遗传算法已经发展成为非线性控制和系统识别的有力工具 o被广泛应用
于人工智能 !机器人系统 !神经网络学习过程 !模式识别 !图像处理 !系统控制 !工业优化控制 !自适应控
制以及包括遗传学在内的生物学的诸多领域和社会学科的各个方面等 ∀
‹²¯ ¤¯±§遗传算法的中心思想 }首先在所收索的分布空间上随机地选择 ν个基因种群k染色体群体l
或 ν个初始点k种子l o即产生祖先 ~然后计算这 ν个染色体群体的适应度 o并加以比较 o评选出这 ν个
染色体群体适应环境的优劣 ~再从这 ν个点中随机选择 u点k自然选择l o并给较优者更高的机会k优胜
劣汰l ~最后利用自然选择得到的 u点 o按照某种随机方式 o必要时增加噪声 o生成一个新点 o重复这一过
程 o直至产生 ν个新的点 ∀由此 o所产生的 ν个新基因种群 o一定比其父代性能更优良 o新的点更接近
于最优解 ∀人工神经网络是一种模拟人脑信息处理算法的非线性系统 o具有知识和分布式存储和并行
处理的特点 o并且具有记忆和联想的功能 o理论研究表明 o它能以任意精度逼近任意的非线性函数 o因
此 o它比较适合于一些复杂问题建模 ∀木材消耗量的预测就是利用神经网络的记忆能力对历史数据进
行学习记忆 o建立木材消耗量的神经网络模型 o然后利用神经网络的联想能力对未来木材消耗量进行预
测 ∀
u 神经网络的进化学习
神经网络的结构形式有多种 o其中前向神经模型是常见的一种模型之一 ∀前向型神经网络最常用
的学习算法为 …°算法 o但这种算法极易陷入局部极小点 o因此 o建议采用近年流行的进化算法对神经
网络进行学习 ∀进化算法是一种基于群体优化方法 o它的基本思路是模拟自然界中生物群体之间相互
竞争 o按适者生存的原则进行选择 o适应环境的个体被保留 o而不适应环境的个体被淘汰 o个体继承父辈
的特性 o同时又发生变异而具有不同于父辈的特性 o这样为自然界的选择提供了更多不同的个体 o群体
就是这样经过一代代的演变最后由不适应环境进化到适应环境 ∀一般进化算法有 v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 o进化策略学习具有一定的优越性 ∀
神经网络进化策略学习方法为 }≥·¤ª¨t 确定神经网络的表示方式 ~≥·¤ª¨u 随机产生一定数量的神
经网络作为初始群体 ~≥·¤ª¨v 计算每个神经网络所对应的性能指标 o并按其大小进行排序 ~≥·¤ª¨w 选
择性能指标排在前 xs h的个体作为下代的个体 o不作改变复制到下一代 o丢弃其余的个体 ~≥·¤ª¨x 将
性能指标排在前 xs h的个体作为下一代新个体的父辈 o分别对他们进行变异产生新个体 ~≥·¤ª¨y 由
≥·¤ª¨w和 ≥·¤ª¨x形成新一代群体 o回到 ≥·¤ª¨u o直到所得到的神经网络满足给定的要求k图 ul ∀
211 神经网络的表示
前向神经网络可以用一个字符串来表示 o字符串由权值组成
≈

≠≠≠
Ωttt Ωttu Ωtut Ωtuu Ωtvt Ωtvu Ωutt Ωutu Ωuut Ωuuu Ωuvt Ωuvu
图 t 前向式神经网络模型及其表示
ƒ¬ªqt „ ©²µº¤µ§ª²¬±ª °²§¨¯²©±¨ ∏µ¤¯ ±¨ ·º²µ®¤±§¬·¶¬±§¬¦¤·¬²±
其中 }Ωκιϕ中 κ为前向神经网络的层号 ~ι !ϕ为神经网络第 κ层中神经元节点的序号 ∀
212 适应性能指标的确定
一般理论认为 o预测值与实际值的误差越小越好 o因此 o适应性能指标和预测值与实际值的离差平
方和有关 o由此可见适应性越好 o其离差平方和 Ε k⊥ψι p ψιlu 越小 o为了统一起见 o把适应性指标转化成
一个极大值 ∀即 φ€ Φ°¤¬p Ε k⊥ψι p ψιlu
式中 }φ为适应性指标 ~Φ°¤¬适应指标最大值 ~ψι 实际值 ~⊥ψι 预测值 ∀
213 变异算子
进化策略不完全同于遗传算法 o它仅采用了变异算子 o没采用交叉算子 ∀同时可对神经网络的拓朴
结构和权值进行变异 ∀为了简单起见 o把神经网络的拓朴结构固定 o因此仅对权值进行变异 o对群体中
第 ν个神经网络的权值 Ωκιϕ o其变异增量 }
∃Ωκιϕ € Νks oΠµl
Πµ € Κkt p φΠΦ°¤¬l
式中 }Κ为系数 oΝks oΠµl为均值为 s o方差为 Πµ 的高斯函数 oΠµ 和第 ν个神经网络在群体的性能有
关 o若第 ν个神经网络的性能越差 o则 Πµ 越大 o从而 ∃Ωκιϕ偏差均值 s的可能性越大 o进化策略采用的是
群体学习方法 o因此它可以避免陷入局部极点 ∀
v 神经网络的木材消耗量预测模型
根据牛继荃资料k牛继荃 ot||wl o以我国山东省 t|{t ∗ t|{{年木材消耗量为例 o采用图 v的神经网
络实现木材消耗量和固定资产投资 !工农业总产值之间的映射关系 ∀网络的输入为固定资产投资和工
农业总产值 o因此共有 u个输入节点 o网络输出为木材消耗量 t个节点 o隐层节点数没有固定的选择公
式kƒ²µª¨¯ot||wl o一般应满足 u ν  µ o其中 ν为隐层节点数 oµ 为样本数 ∀输入层和隐层中各有一个偏
置节点 o其输入固定为 t ∀网络中所有节点的节点函数均为 ≥¬ª°²¬§型函数 ∀
vut 第 v期 刘素青等 }基于遗传算法的神经网络木材消耗量预测模型研究
开始 ≥·¤µ·
选定神经网络的表示方式
⁄¨ ¦¬§¬±ª·«¨ ¬¨³µ¨¶¶¬√¨ °¤±±¨ µ²©·«¨ ±¨ ∏µ¤¯ ±¨ ·º²µ®
随机产生初始群体
°µ²§∏¦¬±ª¬±¬·¬¤¯ ¦²¯²±¼ ¤·µ¤±§²°
计算每个个体的适应值
≤¤¯¦∏¯¤·¬±ª·«¨ ¤§¤³·¤¥¬¯¬·¼ √¤¯∏¨ ²© ¤¨¦«¬±§¬√¬§∏¤¯
是否收敛问题的最优解
• «¨·«¨µ¦²±√ µ¨ª¨ ±¦¨ ²³·¬°¤¯ ¶²¯∏·¬²±·²·«¨ ∏´¨¶·¬²±
≠
输出最优解
’∏·³∏··«¨ ²³·¬°¤¯ ¶²¯∏·¬²±
结束 ∞±§
‘
选择高适应值的个体进行复制
≥¨¯ ¦¨··«¨ ¶·µ¬±ª«¬ª«¨µ¤§¤³·¤¥¬¯¬·¼ √¤¯∏¨ ·²µ¨2³µ²§∏¦¨
突变
∏·¤·¬²±
图 u 神经网络进化策略学习流程
ƒ¬ªqu ¨¤µ±¬±ª³µ²¦¨¶¶²©±¨ ∏µ¤¯ ±¨ ·º²µ® √¨²¯∏·¬²± ¶·µ¤·¨ª¬¨¶
t
ο
ο
ο
ο
ο
ο
t ο
ο
ο
固定资产投资
ƒ¬¬¨ §¤¶¶¨·¶¬±√¨ ¶·°¨ ±·
木材消耗量
• ²²§¦²±¶∏°¬±ª
工农业总产值
Šµ²¶¶²∏·³∏·√¤¯∏¨ ²©
¬±§∏¶·µ¼ i ±ªµ¬¦∏¯·∏µ¨
图 v 木材消耗量的神经网络预测模型
ƒ¬ªqv „ °²§¨¯ ²©·«¨ ±¨ ∏µ¤¯ ±¨ ·º²µ®²© º²²§¦²±¶∏°³·¬²±
wut 林 业 科 学 vz卷
表 1 1981 至 1988 年山东省木材消耗量及固定资产投资 !工农业总产值
Ταβ .1 Ωοοδ χονσυµπτιον ,φιξεδ ασσετσινϖεστµεντ ανδ γροσσ ουτπυτ ϖαλυε οφινδυστρψ
ανδ αγριχυλτυρειν Σηανδονγ Προϖινχεφροµ 1981 το 1988
年份 ≠ ¤¨µ t|{t t|{u t|{v t|{w t|{x t|{y t|{z t|{{
木材消耗量
• ²²§¦²±¶∏°¬±ªk°vl
|wvyxx tuxwt{{ tv{u{|z t{xsy{s uuvvs{| uzt|ttx vttzzwu vzxx|wy
固定资产投资
ƒ¬¬¨ §¤¶¶¨·¶¬±√¨ ¶·°¨ ±·kts{¼∏¤±l
z|1y {x1s |y1x tws1u t|w1v uuv1t u|z1{ vy|1{
工农业总产值
Šµ²¶¶²∏·³∏·√¤¯∏¨ ²©¬±§∏¶·µ¼ ¤±§ ¤ªµ¬2
¦∏¯·∏µ¨kts{ ¼∏¤±l
xxy1z{ ytt1zu zst1vx {wx1su tst{1us ttwx1xu twwy1sy t|w|1zz
为了使输入Π输出数据都在≈s ot 区间内 o需将表 t的数据进行归一化处理 o归一化的数据即为神经
网络学习样本数据 ∀
以 t|{t ∗ t|{y年 y年间数据为样本作为学习建模的基础 o对 t|{z和 t|{{年进行预测 o以检验模型
的预测效果 ∀以 ≤ n n语言在 °ŒŒ机运行 o取 Κ€ s1u ∀Κ大 o施加的扰动大 o权值变异大 ~Κ小 o施加的扰动
小 o权值变异小 ∀学习结束后的网络很好地实现了木材消耗量和固定资产投资 !工农业总产值之间的函
数映射关系 ∀神经网络具有良好的联想能力 o因此它对未来的数据应有很好的预测能力 ∀神经网络的
预测效果见表 u ∀从表 u中可以看出 o神经网络方法预测效果优良 o可以作为木材消耗量的理想预测模
型 ∀
表 2 木材消耗量预测结果
Ταδ .2 Τηε ρεσυλτ οφ ωοοδ χονσυµπτιον πρεδιχτιον
年份
≠ ¤¨µ
实际值
• ¤¨¯ √¤¯∏¨
神经网络方法
 ·¨«²§²©±¨ ∏µ¤¯ ±¨ ·º²µ®
预测值
°µ¨§¬¦·¬²± √¤¯∏¨ k°vl
相对误差
• ¨¯¤·¬√¨ µ¨µ²µk h l
牛继荃先生方法
 ·¨«²§²©‘¬∏¬´∏¤±. ¶
预测值
°µ¨§¬¦·¬²± √¤¯∏¨ k°vl
相对误差
• ¨¯¤·¬√¨ µ¨µ²µk h l
t|{z vttzzwu vtytsz| t1v| vvtvutz y1uz
t|{{ vzxx|wy vztzuys t1sv| wtyuuz{ ts1{u
w 结果与讨论
由于神经网络可以以任意精度逼近一个非线性函数 o具有良好的适应性 o对木材消耗量表现出良好
的预测效果 o比牛继荃先生的方法精度更高 ∀
用神经网络方法进行预测时 o具有良好的向外扩展性 o在这次试验中表现出不会因为向外扩展而精
度降低 ∀
参 考 文 献
„±ª¨ ¬¯±¨ °  ετ αλq„± √¨²¯∏·¬²±¤µ¼ ¤¯ª²µ¬·«°·«¤·¦²±¶·µ∏¦·µ¨¦∏µµ¨±·±¨ ∏µ¤¯ ±¨ ·º²µ®¶qŒ∞∞∞ ×µ¤±¶‘¨∏µ¤¯ ‘¨·º²µ®qot||w oxktl
ƒ²µª¨¯ ⁄ …q„±¬±·µ²§∏¦·¬²±·²¶¬°∏¯¤·¨§ √¨²¯∏·¬²±¤µ¼ ²³·¬°¬½¤·¬²±qŒ∞∞∞ ×µ¤±¶‘¨∏µ¤¯ ‘¨ º²µ®¶ot||w oxktl
Š²¯§¥¨µª ⁄ ∞qŠ¨ ±¨ ·¬¦„¯ ª²µ¬·«°¶¬± ¶¨¤µ¦«q’³·¬°¬½¤·¬²± ¤±§ °¤¦«¬±¨ ¯¨ ¤µ±¬±ª • ¤¨§§¬±ªq „ }„§§¬¶²±2 • ¶¨¯ ¼¨ ot|{| ouz ∗ |v
xut 第 v期 刘素青等 }基于遗传算法的神经网络木材消耗量预测模型研究