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

《基于遺傳算法的bp神經(jīng)網(wǎng)絡(luò)的gdp預(yù)測》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在教育資源-天天文庫。

1、基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)的GDP預(yù)測摘要：：GDP是衡量一個國家或地區(qū)綜合實力的一個重要指標(biāo)．在經(jīng)濟預(yù)測的各種方法中，BP神經(jīng)網(wǎng)絡(luò)方法是一種常用的方法．為克服各改進BP神經(jīng)網(wǎng)絡(luò)的不足，本文采有遺傳算法來優(yōu)化神經(jīng)網(wǎng)絡(luò)．關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)；遺傳算法；GDP預(yù)測GDP是衡量一個國家或地區(qū)宏觀經(jīng)濟狀況的綜合表現(xiàn)的一個重要指標(biāo)。我們常常要對未來經(jīng)濟的走勢進行預(yù)測，從而制定相應(yīng)的宏觀調(diào)控手段，如財政政策，貨幣政策、財政政策等。在現(xiàn)有的預(yù)測方法中，時間序列預(yù)測和回歸預(yù)測是兩種最常用的統(tǒng)計方法。而宏觀經(jīng)濟系統(tǒng)

2、實質(zhì)上是一個非線性系統(tǒng)，使得利用傳統(tǒng)的預(yù)測方法對GDP進行預(yù)測變得十分困難。影響GDP的因素有很對，這些因素對GDP的作用也不一樣。權(quán)重過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，我們用遺傳算法來改進它．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)，是對人腦的抽象、簡化和模擬，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)中的應(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．BP網(wǎng)絡(luò)的激發(fā)函數(shù)一般采用S型函數(shù)，如．對于一個神經(jīng)元，輸入與輸出有如下關(guān)系：　　，其中為輸入向量，為輸出向量，為閥值．下圖是典型的4層BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖，其中包含一個輸入層、兩個隱含層、一個輸出層，各層之間實現(xiàn)全連接，而同層間無連接。8　　　　　　　　BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖(2)遺傳算法遺傳算法是一種基于

4、自然群體遺傳演化機制的高效探索算法，它摒棄了傳統(tǒng)的搜索方式，模擬自然界生物進化過程，采用人工進化的方式對目標(biāo)空間進行隨機化搜索。它將問題域中的可能解看作是群體的一個個體或染色體，并將每一個體編碼成符號串形式，模擬達爾文的遺傳選擇和自然淘汰的生物進化過程，對群體反復(fù)進行基于遺傳學(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)對每個個體進行評價，依據(jù)適者生存，優(yōu)勝劣汰的進化規(guī)則，不斷得到更優(yōu)的群體，同時以全局并行搜索方式來搜索優(yōu)化群體中的最優(yōu)個體，求得滿足要求的最優(yōu)解?！　　∵z傳算法的一般步驟是

5、：8(3)利用遺傳算法優(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，訓(xùn)練速度慢，全局搜索能力弱，還有初始隨機加權(quán)的大小,會對局部最小部分產(chǎn)生很大的影響．在遺傳算法，目標(biāo)函數(shù)既不要求連續(xù)，也不要求可微，僅要求該問題可計算，而且搜索始終遍及整個空間，因此容易得到全局最優(yōu)解．針對BP神經(jīng)網(wǎng)絡(luò)的缺陷和遺傳優(yōu)點，我們用遺傳算法來優(yōu)化神經(jīng)網(wǎng)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，交叉率為，變異率為．步驟2：初始化．個體為神經(jīng)網(wǎng)

6、絡(luò)所有權(quán)值和閥值按一定順序排列組成．隨機產(chǎn)生的初始種群為．采用實數(shù)編碼．步驟38：計算適應(yīng)度值．用訓(xùn)練樣本對種群的每一個體進行訓(xùn)練，比較輸入數(shù)據(jù)和輸出數(shù)據(jù)．記，其中k為訓(xùn)練樣本的大小，n為輸出層的神經(jīng)元數(shù)，為第p個訓(xùn)練樣本時第個節(jié)點的輸出值，為期望輸出值．設(shè)適應(yīng)度函數(shù)為．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．對于個體，適應(yīng)度值為，選擇概率為，累積概率為(令)．采用旋輪法，在中產(chǎn)生隨機數(shù)，當(dāng)時，則選擇個體．總共轉(zhuǎn)輪次．步驟5：交叉．由于交叉率為，故有個染色體進行交叉．采用如下

7、方法選擇交叉的父代：在中產(chǎn)生隨機數(shù)，若，則選擇個體作為要進行交叉的父代．　　　對兩個個體進行交叉操作，產(chǎn)生的個體為，染色體的長度為．設(shè)，，其中是比例因子，在上均勻隨機產(chǎn)生．交叉后，新的染色體為：．步驟6：變異．采用步驟5的方法產(chǎn)生個要變異的染色體．設(shè)為要變異的染色體．先在上隨機產(chǎn)生一整數(shù)，在(為一定值)產(chǎn)生隨機數(shù)，則變異后，新的染色體為．步驟７：遺傳算法結(jié)束．若群體中最優(yōu)適應(yīng)度值的學(xué)習(xí)誤差小于指定誤差，則停止進化．否則，轉(zhuǎn)回步驟3．二，GDP預(yù)測模型的建立(1)模型變量的選擇影響GDP的因素比較多

8、，根據(jù)其影響因素的大小，我們選擇以下指標(biāo)對我國GDP最有影響的七個指標(biāo)：8就業(yè)人員，財政收入，財政支出，固定資產(chǎn)投資，國內(nèi)貸款，能源生產(chǎn)總量，進出口總額7個指標(biāo)作為初始變量。數(shù)據(jù)如下表：原始數(shù)據(jù)年份國內(nèi)生產(chǎn)總值（億元）就業(yè)人員（萬人）財政收入（億元）財政支出（億元）固定資產(chǎn)投資（億元）國內(nèi)貸款（億元）能源生產(chǎn)總量（萬噸標(biāo)準(zhǔn)煤）進出口總額(億元)199560793.7680656242.206823.7220019.34198.712903423499.9199671176.6689