与神经网络相结合的遗传算法对农作物的估产研究

《与神经网络相结合的遗传算法对农作物的估产研究》由会员分享，可在线阅读，更多相关《与神经网络相结合的遗传算法对农作物的估产研究（5页珍藏版）》请在装配图网上搜索。

1、精品论文推荐与神经网络相结合的遗传算法对农作物的估产研究刘晓旭，郭雪平 辽宁工程技术大学理学院，辽宁阜新（123000） E-mail: leerxx摘要：本文利用与神经网络融合的遗传算法，列举某地区的玉米进行了估产研究，同时与BP 算法的模型进行了比较。该算法无论是在全局收敛性方面，还是在收敛速度上都比标准 算法优越。经检验，计算值与实际值接近，并优于 BP 算法的模型，具有良好的预测效果， 从而为农作物估产提供了新方法。具有一定的实用价值。 关键词：农作物估产；遗传算法；神经网络1. 引言遗传算法具有较强的全局随机搜索能力，神经网络具有学习能力，遗传算法与神经网络 的结合研究是当前的研究热

2、点之一1。人工神经网络模型在人工智能、信号处理、自动控制和模式识别等领域发挥了重要作用。 由于人工神经网络具有自适应学习能力和记忆联想能力，使得它为解决复杂的非线性问题提 供了有用的工具，其预测能力大大优于多元回归分析和判别分析。尤其是目前广泛采用的 BP 算法，具有简单和可塑的优点2。但是，BP 算法是基于梯度的方法，其最大缺欠是收 敛速度慢，且常受到局部极点的困扰，因而影响了预报的精度。遗传算法是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型，是一种通过 模拟自然进化过程搜索最优解的方法，它是有美国 Michigan 大学 J.Holland 教授于 1975 年 首先提出来的。这

3、是一种新的全局优化搜索算法1，其基本特征是利用群体进化，即在求解 过程中，通过使种群不断优化，从而找到最优解。该算法具有简单通用、鲁棒性强的优点， 适于并行处理。本文就运用神经网络与遗传算法相结合的方法针对作物估产问题进行了研究。2. 模型的建立2.1 模型的选择为避免编码串过长，我们采用实数编码。并建立了评价函数3n- 5 -2f = 1 / ei(1)i =1网络的各权重是以概率分布 e-| 来随机确定的。这一点是有别于 BP 算法的。遗传算法的这种随机分布的取法是通过以往的大量实验得出的，可以发现，当网络收敛后，权重的绝 对值一般都较小。采用以上初始化方法的原因是使遗传算法能够搜索所有可

4、行解的范围。针 对此应用问题，我们采用权值交叉和权值变异算子。2.2 选择个体的方式这里不采用比例选择方式，而使用亲代度量 Q 决定群体中每个个体被选种的概率，群 体中的个体以式 (2) 所示的概率成为亲代染色体。P2 = P1 QP3 = P2 QM其中，P1，P2，P3，分别表示评价函数最优、次优、第三的个体概率。3. 遗传算法与神经网络的结合(2)选用 3 层 BP 网络模型，由一个输入层、一个输出层和一个隐含层（中间层）组成。 如图 1 所示：Y1Y2Y3Yn输出层隐含层输入层X1X2X3Xn图 1 模糊神经网络结构图其具体算法如下，设网络的学习样本和期望输出分别为 Ak 和 Ck(k

5、=1，2，m)，首先计算输入层对隐含层的激活值2：bi =nf ( ah Vhi + i )h=1(3)式中，i=1，2，p；ah 为输入层节点（h=1，2，n）；Vhi 为输入层到隐含层的连接权重； i 为隐含层单元的阈值。对于 ah，Vhi 和 i，它们的初值是按概率 e-| 得到的随机数。激 活函数为 Sigmoid 函数2：f ( x) = 1 /(1 + e x )然后根据式 (3) 和式 (4) 计算输出层节点的激活值：p(4)C j =f (Wij bi + i )i =1(5)式中，j=1，2，q；Wij 为隐含层到输出层的连接权重；j 为输出层单元的阈值；Wij 和 j也是按

6、概率 e-| 确定的随机数。jjjjj根据式 (6) 计算输出层的一般化误差：j式中，Ckd = C (1 C )(C k C )为输出层单元 j 的期望输出。(6)最后计算隐含层单元相对于每个 dj 的误差2：qei = bi (1 bi )Wij d jj =1(7)根据以上步骤，结合染色体的交叉、变异原则（公式 2）调整隐含层单元到输出层单元的连接权重，然后调整输出层单元的阈值、输出层单元到隐含层单元的连接权重，最后调整 隐含层单元的阈值。计算实际输出与期望输出的误差，当全部样本的输出误差小于设定的收 敛误差时，结束神经网络的训练。4. 模型的应用举例以某地区的玉米生产为例。在其它条件相

7、同的情况下，影响玉米产量的主要因子是温度 和降水。玉米的整个生育期，可分为苗期（5 月中、下旬至 6 月上旬），七叶期（6 月中、 下旬至 7 月上旬），抽雄期（7 月中、下旬至 8 月上旬）和灌浆期（8 月中、下旬9 月 上旬）3。使用该地区 19862006 年的数据资料，将 2002 年以前的玉米产量与气象资料 作为网络的训练数据，再用 2003 年及其以后的气象数据来计算玉米产量。因此在确定神经 网络结构时，分别选取玉米 4 个生长时期的气温因子 T1，T2，T3，T4 与降水因子 R1，R2， R3，R4 等 8 个因子作为输入层的节点；另外，选取玉米产量作为输出层的节点；隐含层为

8、一层，节点数为 30。如图所示：隐含层输入层输出层T1Y1MMMT4Y2R1YiMMMR4Ym图 1 一个三层 BP 网络的结构图网络输入层的因子分别按下式计算5：T1=T520T530T610R1=R520R530R610其中 T520，T530，T610 分别为 5 月中旬、下旬和 6 月上旬的平均气温；R520，R530，R610 分别为 5 月中旬、下旬和 6 月上旬的平均降水。T2=T620T630T710R2=R620R630R710其中 T620，T630，T710 分别为 6 月中旬、下旬和 7 月上旬的平均气温；R620，R630，R710 分别为 6 月中旬、下旬和 7 月

9、上旬的平均降水。T3=T720T730T810R3=R720R730R810其中 T720，T730，T810 分别为 7 月中旬、下旬和 8 月上旬的平均气温；R720，R730，R810 分别为 7 月中旬、下旬和 8 月上旬的平均降水。T4=T820T830T910R4=R820R830R910其中 T820，T830，T910 分别为 8 月中旬、下旬和 9 月上旬的平均气温；R820，R830，R910 分别为 8 月中旬、下旬和 9 月上旬的平均降水。根据以上方法，分别计算出 19692006 年的气温与降水因子；为了满足 Sigmoid 函 数的要求，将气象因子按式 (8) 变换

10、为 BP 网络标准化训练集列于表 1。在 BP 算法中， 学习因子 =0.5，动量因子 =0.5；遗传算法中，交叉率 Pc=0.15，变异率 Pm=0.13，亲代度 量 Q=0.87。经 27917 次运算，收敛误差达到 0.0005，训练结束。3 种不同方法预测结果 列于表 26。E i =x i ( S min )(8)( S max ) S min式中，Qmin 和 Qmax 为样本序列的最小值和最大值； 为一小量，以保证变换后的序列最大 值略小于 1 和最小值略大于 0。表 1 BP 网络标准化训练集年份样本期望输出T1T2T3T4R1R2R3R419860.00420.00520.0

11、0620.00480.00720.01100.01110.00830.243819870.00470.00560.00620.00530.01070.01540.01600.00260.242319880.00430.00610.00620.00500.00830.01120.00790.01610.335419890.00490.00580.00600.00470.00220.00750.01640.00950.383419800.00460.00580.00590.00510.00370.01370.00510.01660.433719910.00410.00590.00560.00520

12、.00560.00320.02450.00920.561419920.00440.00610.00560.00520.00420.00520.01210.01110.613219930.00450.00580.00540.00510.00590.01710.01070.00800.830119940.00470.00600.00590.00540.01140.01800.01610.01570.870619950.00460.00560.00630.00580.00210.00970.01470.01360.555519960.00480.00560.00620.00570.00060.010

13、00.01320.01890.593719970.00460.00550.00590.00530.00290.01670.03090.00730.829619980.00480.00590.00700.00550.01050.01300.01600.01270.933719990.00470.00530.00650.00540.00850.00790.02300.00130.742120000.00430.00590.00630.00570.01200.00640.00830.00820.957320010.00490.00530.00640.00610.00350.01040.02400.0

14、0240.889720020.00440.00560.00630.00550.00400.00430.01950.00520.8899表 2 对比检验年份实际单产(kg/hm2)预测单产 (kg/hm2)遗传算法与神经网络的结合相对误差 (%)BP 网相对误差 (%)200310438.510012.3-4.19889.7-5.320047545.07002.5-7.28113.27.5200510702.59865.1-7.89808.4-8.4200610875.010004.7-8.09896.3-9.05. 结果与讨论通过表 2 我们会发现，无论用什么模型估产，其预测结果的相对误差都随

15、年份的增加而 增加。因为实际的粮食产量是气象和人为因素综合作用的结果，单纯用气象因子来反映粮食 产量难免有一定的误差，但是其结果仍然是令人满意的。如果再辅助其他人为因素加以修正， 例如灌溉、施肥、品种改良等方面，预测结果将更加接近实际值。神经网络与遗传算法的相融合的方法比起单纯用神经网络映射关系取代遗传操作的方 法更具有优越性。它既可以避免神经网络训练失败带来的损失，又能同时兼容神经网络与遗 传算法的各自优点，摒弃各自的不足。将其用于作物的估产，是一种较优越可行的方法。参考文献1 郭嗣琮，陈刚. 信息科学中的软计算方法M. 沈阳: 东北大学出版社, 2001. 112 李敏强，徐博艺，寇纪淞.

16、 遗传算法与神经网络的结合J. 系统工程理论与实践, 1999,(2)：6569.3 金龙，罗莹，缪启龙等. 农田土壤湿度的人工神经网络预报模型研究J. 土壤学报, 1998, 35(1): 2535. 4 王旭，王宏，王文辉. 人工神经元网络原理与应用M. 沈阳: 东北大学出版社, 2000. 125 袁曾任. 人工神经网络及其应用M. 北京: 清华大学出版社, 19996 周明，孙树栋. 遗传算法原理及应用M. 北京: 国防工业出版社, 2000Neural Network with Genetic Algorithm for the Crop YieldEstimation StudyL

17、iu Xiaoxu, Guo XuepingCollege of Science, Liaoning Technical Unitversity, Liaoning, Fuxin (123000)AbstractIn this paper, Neural Network and the integration of the Genetic Algorithm, a list of areas of the cornyield estimation carried out research, with BP algorithm models are compared. The algorithm

18、 in both the global convergence, or at the speed of convergence is superior than the standard method. After testing, the calculation of the value is closed to the actual value, and it is better than BP algorithm model, has a good forecast results for crop yield estimation to provide a new approach. Have some practical value.Keywords: Crop yield estimation; Genetic Algorithms; Neural Network