基于遺傳算法的bp神經(jīng)網(wǎng)絡(luò)的gdp預(yù)測(cè)

《基于遺傳算法的bp神經(jīng)網(wǎng)絡(luò)的gdp預(yù)測(cè)》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。

1、基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)的GDP預(yù)測(cè)摘要：：GDP是衡量一個(gè)國(guó)家或地區(qū)綜合實(shí)力的一個(gè)重要指標(biāo).在經(jīng)濟(jì)預(yù)測(cè)的各種方法中，BP神經(jīng)網(wǎng)絡(luò)方法是一種常用的方法.為克服各改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的不足，本文采有遺傳算法來(lái)優(yōu)化神經(jīng)網(wǎng)絡(luò).關(guān)鍵詞：BP神經(jīng)M絡(luò)；遺傳算法；GDP預(yù)測(cè)GDP是衡量一個(gè)國(guó)家或地區(qū)宏觀經(jīng)濟(jì)狀況的綜合表現(xiàn)的-個(gè)重要指標(biāo)。我們常常要對(duì)未來(lái)經(jīng)濟(jì)的走勢(shì)進(jìn)行預(yù)測(cè)，從而制定相應(yīng)的宏觀調(diào)控手段，如財(cái)政政策，貨政策、財(cái)政政策等。在現(xiàn)有的預(yù)測(cè)方法中，吋間序列預(yù)測(cè)和回歸預(yù)測(cè)是兩種最常用的統(tǒng)計(jì)方法。而宏觀經(jīng)濟(jì)系統(tǒng)

2、實(shí)質(zhì)上是一個(gè)非線性系統(tǒng)，使得利用傳統(tǒng)的預(yù)測(cè)方法對(duì)GDP進(jìn)行預(yù)測(cè)變得十分困難。影響GDP的因素有很對(duì)，這些因素對(duì)GDP的作用也不一樣。權(quán)重過(guò)去往往帶有較濃厚的人為主觀色彩，因此，為避免此類現(xiàn)象，BP神經(jīng)網(wǎng)絡(luò)是較好的方法.但BP神經(jīng)網(wǎng)絡(luò)存在一些缺陷，我們用遺傳算法來(lái)改進(jìn)它.一基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)（1）BP神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)，也稱神經(jīng)網(wǎng)絡(luò)，是由大量的處理單元（神經(jīng)元）廣泛互連而成的網(wǎng)絡(luò)，是對(duì)人腦的抽象、簡(jiǎn)化和模擬，反映人腦的基本特性。20世紀(jì)80年代中期,以Rumelhart和McClella

3、nd為首,提出了多層前饋網(wǎng)絡(luò)的反向傳播學(xué)習(xí)算法，它是有導(dǎo)師的學(xué)習(xí)，是梯度下降法在多層前饋網(wǎng)絡(luò)屮的應(yīng)用。BP網(wǎng)絡(luò)是應(yīng)用得最為廣泛，最為重要的一種神經(jīng)網(wǎng)絡(luò).它一般都有多層，分為輸入層,輸出層和隱含層.BPM絡(luò)的激發(fā)函數(shù)一般采用S型函數(shù)，如對(duì)于一個(gè)祌經(jīng)元，輸入與輸出有如下關(guān)系：—沒(méi)），其中％=為輸入向量，y為輸出向量，汐為閥值.下閣是典型的4層BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)閣，其屮包含一個(gè)輸入層、兩個(gè)隱含層、一個(gè)輸出層，各層之間實(shí)現(xiàn)全連接，而同層間無(wú)連接。笫I隱含S渝入G-笫二嗓，：//輸11:3BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

4、圖(2)遺傳算法遺傳算法是一種基于自然群體遺傳演化機(jī)制的高效探索算法,它摒棄Y傳統(tǒng)的搜索方式，模擬自然界生物進(jìn)化過(guò)程，采用人工進(jìn)化的方式對(duì)目標(biāo)空間進(jìn)行隨機(jī)化搜索。它將W題域中的可能解看作是群體的一個(gè)個(gè)體或染色體，并將每一個(gè)體編碼成符號(hào)串形式，模擬達(dá)爾文的遺傳選擇和自然淘汰的生物進(jìn)化過(guò)程，對(duì)群體反復(fù)進(jìn)行基于遺傳學(xué)的操作(遺傳，交叉和變異)，根據(jù)預(yù)定的目標(biāo)適應(yīng)度函數(shù)對(duì)每個(gè)個(gè)體進(jìn)行評(píng)價(jià)，依據(jù)適者生存，優(yōu)勝劣汰的進(jìn)化規(guī)則，不斷得到更優(yōu)的群體，同時(shí)以全局并行搜索方式來(lái)搜索優(yōu)化群體中的最優(yōu)個(gè)體，求得滿足要求

5、的最優(yōu)解。遺傳算法的一般步驟是：(2)利川遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)值和閥值BP神經(jīng)網(wǎng)絡(luò)從本質(zhì)上講屬于梯度下降算法，因而不可避免的具有一些缺陷，如易陷入局部極小點(diǎn)，訓(xùn)練速度慢，全局搜索能力弱，還有初始隨機(jī)加權(quán)的大小，會(huì)對(duì)局部最小部分產(chǎn)生很大的影響.在遺傳算法，0標(biāo)函數(shù)既不要求連續(xù)，也不要求可微，僅要求該問(wèn)題可計(jì)算，而且搜索始終遍及整個(gè)空間，因此容易得到全局最優(yōu)解.針對(duì)BP神經(jīng)網(wǎng)絡(luò)的缺陷和遺傳優(yōu)點(diǎn)，我們用遺傳算法來(lái)優(yōu)化神經(jīng)M絡(luò)的權(quán)值和閥值.步驟如下：步驟1:設(shè)定參數(shù).設(shè)種群大小為pop,交叉率為Pc

6、,變異率為Pm.步驟2:初始化.個(gè)體為祌經(jīng)網(wǎng)絡(luò)所有權(quán)值和閥值按一定順序排列組成.隨機(jī)產(chǎn)生的初始種群為尸={，又2,…采用實(shí)數(shù)編碼.步驟3:汁算適應(yīng)度值.用訓(xùn)練樣本對(duì)種群的每一個(gè)體進(jìn)行訓(xùn)練，比較輸入數(shù)據(jù)和輸出數(shù)據(jù).記E=H（ypi?-?）2,其中k為訓(xùn)練樣本的大小，n為輸出層的神經(jīng)元數(shù)，｝P=1/=1為第P個(gè)訓(xùn)練樣本時(shí)第Z*個(gè)節(jié)點(diǎn)的輸出值，期望輸出值.設(shè)適應(yīng)度函數(shù)為F=%.誤差越小的樣本，適應(yīng)度值越大.步驟4:選擇.采用正比選擇.對(duì)于個(gè)體/，適應(yīng)度值為f，選擇概率為Pt=F/popsi,e，累積

7、概率為=令采用旋輪法，在［0，1］中產(chǎn)生隨/E“//=!機(jī)數(shù)巧，當(dāng)時(shí)，則選擇個(gè)體z‘.總共轉(zhuǎn)輪pop_size次.步驟5:交叉.由于交叉率為Pc,故有Pc.pop個(gè)染色體進(jìn)行交叉.采用如下方法選擇交叉的父代：在［0，1］屮產(chǎn)生隨機(jī)數(shù)/;?（i=l，hoP」ize），若e

8、.25,1.25］上均勻隨機(jī)產(chǎn)生.交叉后，新的染色體為：=^1,-+漢u.（X2z?—Xl｛）,X2=X2i+漢2/-（X2/.-X1Z）.步驟6:變異.采用步驟5的方法產(chǎn)生個(gè)要變異的染色體.設(shè)為要變異的染色體.先在上隨機(jī)產(chǎn)生一整數(shù)./，在卜仏4（6Z為一定值）產(chǎn)生隨機(jī)數(shù)/?,則變異后，新的染色體為<=（，％/2,…，+/?，???步驟7:遺傳算法結(jié)束.若群體屮最優(yōu)適應(yīng)度值的學(xué)習(xí)誤差小于指定誤差，則停止進(jìn)化.否則，轉(zhuǎn)回步驟3.二，GDP預(yù)測(cè)模型的建立（1）模型變量的選擇影響GDP的因素比較多