基于遗传算法的BP网络

基于遗传算法的BP网络在梅雨量预测

中的应用

孙承 刘全金

（安庆市气象台 246001）（安庆师范学院物理系 246001）

摘 要： 讨论基于遗传算法的BP网络在安徽省安庆市区梅雨量预测中的应用，对优化BP网络结构和连接权的遗传算法做了阐述。 关键词： 遗传算法 BP网络 MATLAB 1 遗传算法

遗传算法简称GA（Genetic Algorithm），是美国Michigan大学的John H.Holland教授创建，由生物进化思想启发而得出的一种具有全局搜索能力的算法。它模拟自然界物竞天择、适者生存，通过选择(selection)、交叉(crossover)和变异(mutation)等操作，产生新一代适应力更强的群体（如图1所示）。 群体初始化将一组待优化的量值（基因）放在向量中作为一个

色体（个体），在优化对象的取值范围内随机地生成一组染染色体（第一代群体）。 根据实际问题设定染色体适应度（fitness）函数，适应值越高，表示

该染色体的适应能力越强。

为了防止遗传算法后期染色体适应值差别变小，优秀染色体优势减弱， 导致群体进化停滞，在适应度函数中引入模拟退火思想对适应值进行拉伸， 如令

（ （为第i个染色体适应值，T为温度，T0为初始温

度，gen为遗传代数），这样有利于优秀的染色体凸显出来。

选择操作是根据染色体适应值占群体适应值比重决定其选择概率，适 应值越高的染色体，下一代群体中存在的数量就越多。选择策略有适应度 比例法、排序选择法、最佳个体保存法和期望值方法等。

交叉操作从群体中随机的选取两个双亲染色体，按照某种规则进行部 分交换，生成两个新染色体。新染色体的数量由交叉概率Pc决定。

变异操作是按概率Pm随机地对群体中的染色体按照某种规则做“基因突变”。重复以上操作，如果群体适应值趋于稳定

（即连续几代染色体平均适应值的方差小于某极小值），或者遗传代数达到预定的数值N就中止遗传操作。 2 BP网络

BP网络（Back-ProPagation Network）又称反向传播神经网络， 通过样本数据的训练，不断修正网络权值和阈值使误差函数沿负梯度方向下降，逼近期望输出。它是一种应用较为广泛的神经网络模型，多用于函数逼近、模型识别分类、数据压缩和时间序列预测等。

BP网络由输入层、隐层和输出层组成，隐层可以有一层或多层，图2是

m×k×n的三层BP网络模型，网络选用S型传递函数， 通过反传

误差函数 （ （Ti为期望输出、Oi为网络的计算输出），不断

调节网络权值和阈值使误 差函数E达到极小。

BP网络具有高度非线性和较强的泛化能力，但也存在收敛速度慢、迭代步数多、易于陷入局部极小和全局搜索能力差等缺点。可以先用遗传算法对“BP网络”进行优化，在解析空间找出较好的搜索空间，再用BP网络在较小的搜索空间内搜索最优解。 3 BP网络的样本模型

用灰色理论中建立等维新息模型的思想建立样本模型，按（1）式选取已知样本P和期望输出T作为训练模型。

BP网络的传递函数为S型，在训练前按（2）式对梅雨量做归一化处理，使样

本数据在(0.1,0.9)之间。

（2）

1951-2002年梅雨量为样本数据，从1951年开始，每连续m年梅雨量为一组输入样本，对应第m+1年的梅雨量为本组期望输出，共生成52-m组样本数据，后5组样本为测试样本，其余样本为BP网络学习样本。