温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,汇文网负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。
网站客服:3074922707
基于
遗传
神经网络
油料
需求预测
研究
王灿
舰 船 电 子 工 程2022 年第 11 期1引言充足、及时、可靠的油料保障是作战指挥员在战场上灵活运用兵力的前提条件。战时油料需求的巨量性、紧迫性和制约性突出,今后我军遂行联合作战任务,必须对油料保障进行提前筹划,对油料需求进行精准预测,破除需求预测难题,拨开需求障眼迷雾,从而为优化油料储备方案、筹措油料保障力量、制定油料调运计划、组织补给加注活动提供基本依据,促进保障能力生成和作战效能发挥。战时油料需求预测面临诸多挑战,最为棘手的困难可以从两个方面概括。一方面,若基于潜在任务和消耗标准计算、汇总油料需求,原理易懂、过程简单,但现实中油料保障部门往往无法准确掌握潜在作战任务,缺乏进行详算的依据;不同层级的油料需求分别详算后,欠缺统一的汇总标准,在逐级传递过程中容易出现需求放大效应,向上传递的效率也有待提高;若由战区相关部门统一详算油料需求,计算结果对战役层面后勤谋划具有一定意义,但不能直接指导任务部队油料保障实践。另一方面,若基于历史数据和先进算法进行预测,对油料消耗历史数据的完整性、规模性和可靠性要求很高,然而我军油料数据体系建设尚不完善,主要是收稿日期:2022年5月14日,修回日期:2022年6月11日作者简介:王灿,男,博士研究生,研究方向:油料智能保障。屈少辉,男,硕士研究生,研究方向:油料智能保障。王帅,男,副教授,硕士生导师,研究方向:作战油料保障。周庆忠,男,教授,研究方向:军事后勤和作战油料保障。周麟璋,男,博士研究生,工程师,研究方向:油料安全评估。基于遗传神经网络的油料需求预测研究王灿屈少辉王帅周庆忠周麟璋(陆军勤务学院重庆401331)摘要打赢具有智能特征的未来信息化战争必须做到精确的后勤保障。就油料保障工作而言,需求精确预测是精确保障的基础。使用遗传算法(genetic algorithm,GA)优化误差反向传播神经网络(back-propagation neural network,BPNN),为BPNN确定了更优的初始权值和阈值,从而解决了BPNN易陷入局部最优解的问题。油料需求预测实例表明,GA-BPNN相较BPNN、极限学习机(ELM)、稀疏贝叶斯极限学习机(SB-ELM)、支持向量回归(SVR)、邻域粗糙集-支持向量回归(NRS-SVR)等算法具有更高的精度。关键词遗传算法;BP神经网络;油料需求预测;作战油料保障中图分类号E144DOI:10.3969/j.issn.1672-9730.2022.11.025Research on Oil Demand Forecasting Based on GA-BPNNWANG CanQU ShaohuiWANG ShuaiZHOU QingzhongZHOU Linzhang(Army Logistics Academy,Chongqing401331)AbstractIn order to win the future informationized warfare with intelligent characteristics,accurate logistics support must beachieved.In terms of oil support,accurate demand prediction is the basis of accurate support.Genetic algorithm(GA)is used to optimize back-propagation neural network(BPNN),providing better initial weight and threshold for BPNN,so as to solve the problemthat BPNN is easy to fall into local optimal solution.The example shows that GA-BPNN has higher accuracy than BPNN,extremelearning machine(ELM),sparse Bayesian extreme learning machine(SB-ELM),support vector regression(SVR)and neighborhood rough set support vector regression(NRS-SVR)in predicting oil demand.Key Wordsgenetic algorithm,BP neural network,oil demand forecasting,combat oil supplyClass NumberE144总第 341 期2022 年第 11 期舰 船 电 子 工 程Ship Electronic EngineeringVol.42 No.11113总第341期实战背景下生成的数据难以获得,只能通过实战化演训生成与今后实战近似的数据;同时对数据重视程度不够,缺少刚性的油料数据采集机制,导致演训相关数据未能有效收集、传递和存储,缺乏必要的历史数据已成为油料需求预测工作的掣肘。军内外学者对于油料需求预测问题进行了尝试和探索。杨晓峰1提出推动大数据在军用油料供应保障中的应用,对利用大数据预测油料需求进行了初步思考;王冰2对主流的科学预测方法进行归纳总结,从适用条件、优势劣势等方面分别考量,提出油料需求预测策略;李忠国3总结基于潜在任务和消耗标准的需求计算方法,与当前经验做法相契合;吴书金45对模糊推理方法进行改进,用于预测多种油品需求;樊荣6、陆思锡7等提出用支持向量机对军种油料需求进行预测;周庆忠 8、陆思锡9、夏秀峰10、杨祺煊11等提出不同方法改进神经网络,一定程度上提高了神经网络预测油料需求的精度;此外,还有学者提出运用灰色理论12、小波分析13、随机时间序列14、改进粒子群算法15等预测油料需求的思路。2GA-BPNN预测模型构建2.1BPNN结构和原理误差反向传播神经网络(简称 BP 神经网络,BPNN)属于多层前馈神经网络,具有柔性的网络结构,通常由输入层、隐含层、输出层构成,隐含层可以是单层或多层,且单层最为常见,隐含层数量、各层神经元数量可按照需求设定,不同结构的BPNN,其性能有所差异,以三层的BPNN为例,基本结构如图1所示。图1BPNNN基本结构隐含层的输入、输出分别为rj=i=1nwijxi+1j(1)yj=f(i=1nwijxi+1j)(2)输出层的输入、输出分别为rk=j=1hvjkf(i=1nwijxi+1j)+2k(3)zk=(j=1hvjkf(i=1nwijxi+1j)+2k)(4)输入层、隐含层和输出层分别对应n、h、m个神经元,wij是输入层第i个神经元对应隐含层第j个神经元的权值,vjk是隐含层第j个神经元对应输出层第k个神经元的权值,1j和2k分别是隐含层第j个神经元和输出层第k个神经元的阈值,f(x)为隐含层的激活函数,(x)为输出层激活函数。BPNN通过信号前向传播和误差反向传播,不断修正权值和阈值,使输出结果误差最小。信号前向传播阶段,输入信号经过隐含层作用于输出层,输入信号经非线性变换产生输出信号,若网络输出和期望输出不一致,进入误差反向传播阶段。误差反向传播阶段,输出误差经过隐含层向输入层传递,同时把误差分摊至各层所含节点,将各层误差信号当作各神经元权值调整依据。通过学习训练,调整输入节点与隐层节点之间联接强度wij、隐层节点与输出节点之间联接强度vjk以及阈值(1j、2k),促使误差沿梯度方向下降,以期使网络输出和期望输出差别最小。2.2GA原理和步骤遗传算法(GA)是一种模拟生物进化过程的最优解搜索技术,该算法包括编码、选择、交叉、变异、解码等关键步骤,以适应度函数为目标进行优化,通过种群个体迭代,不断趋近优化目标,具有运行高效、能够并行、全局搜索等特点,是一种求解复杂系统优化问题的通用框架,广泛用于目标函数优化和组合优化等,GA实现步骤如图2所示。2.3GA-BPNN模型构建BPNN的优势在于较强的非线性映射能力,劣势在于容易陷入局部最优解,影响需求预测能力。为此,本文将使用GA优化BPNN权值和阈值,提升模型对油料需求的预测精度,实现步骤如图 3 所示。初始种群产生。随机产生一定规模的初始种群,进行实数(浮点数)编码,个体的每个基因值用一定范围内的某个浮点数来表示,个体的编码长度N根据式(5)计算16:N=nh+hm+h+m(5)其中,权值个数为nh+hm,阈值个数为h+m。王灿等:基于遗传神经网络的油料需求预测研究114舰 船 电 子 工 程2022 年第 11 期图2GA实现步骤图3GA-BPNN实现步骤种群适应度函数。适应度函数是遗传进化过程的驱动力,本文将适应度函数设置为BPNN预测输出值和实际值之间的均方误差(Mean Square Error,MSE)。MSE=1pq=1p(y?q-yq)2(6)其中,y?为预测值,y?=y?1y?2.y?p,y为真实值y=y1y2.yp。选择操作。通过选择操作实现群体中个体优胜劣汰。轮盘赌选择,个体进入下一代的概率等于其适应度值与整个种群所有个体的适应度值之和的比例,该比例与被选中概率呈现反向关系。最佳保留选择,在完成轮盘赌选择后,将当前群体里适应度最小的个体保留至下一代。交叉操作。两个染色体之间依据交叉概率按某种方式互相交换部分基因,形成两个新的个体。本文采用两点交叉方式,在个体编码串中随机设置了两个交叉点,然后再进行部分基因交换17。变异操作。依据变异概率将个体编码串中的某些基因值用其它基因值来替换,从而形成一个新的个体。变异运算决定了GA的局部搜索能力,与交叉运算共同完成对搜索空间的局部搜索和全局搜索。本文实行高斯近似变异,使用符合正态分布的一个随机数来替换原有的基因值。3GA-BPNN预测案例实践3.1数据来源和预先处理油料需求数据来源解释。为验证遗传神经网络(GA-BPNN)预测效果,更好地与其它模型进行对比,本文选取公开文献 18 所列数据进行研究。该数据集包含 25组数据,每组数据由 4个自变量(装备数量、任务时长、环境状况量、任务强度量)和1个因变量(油料需求)构成,其中环境状况量化为9个等级,无量纲,任务强度量化为3个等级,无量纲,如表1所示。训练集和测试集划分。表1所列数据为随机排 序,将 前 20 组 数 据 划 分 为 训 练 样 本,用 于GA-BPNN训练,最后5组数据用于检验预测效果,验证模型泛化能力。数据归一化处理。鉴于影响油料需求的各个变量具有不同的量纲和数量级,使用神经网络进行预测,必须将样本数据进行归一化处理,把原始数据映射到 0,1 区间,转化为无量纲的纯数值,避免造成预测误差,本文采取最大最小归一化方法(min-max normalization)19:Xi=xi-xminxmax-xmin(7)xmin、xmax分别为原始样本数据的最小值和最115总第341期大值,xi为原始数据,xi为处理后的数据。表1任务情况和油料需求历史数据任务编号12345678910111213141516171819202122232425装备数量/台122981021291116671110113143486310任务时长/天4985911969111183346891110108434环境状况4738215221942736318212254任务强度1312222122112331231312232油料需求/t21045035401030004895703443453149478170516301435632972549285925034716546564896185636743563474387427063.2参数设置和模型训练网络结构和隐含层节点数。具有三层结构的BPNN能够逼近绝大多数复杂的非线性映射,因而使用三层BPNN进行油料需求预测。由于BPNN的预测性能对隐含层节点数较为敏感,本文首先根据经