应用GA-BP神经网络的生态工业园风险评价

2013-08-01 11:22王秋莲
重庆理工大学学报(自然科学) 2013年10期
关键词:工业园神经网络节点

王秋莲

(南昌大学经济与管理学院,南昌 330031)

随着资源稀缺的加剧和环境压力的增大,为了改变传统的粗放式线性资源利用模式,许多专家、学者对高效低排放的循环经济发展模式进行了研究。生态工业园是一种循环经济实践方式,它能实现产业链间副产品和废弃物之间的交换利用、能源的梯级利用、水资源的循环利用;能互享信息系统等公共设施;能减少碳排放,缓解全球变暖的趋势;采用废弃物和副产品替代原材料,能降低企业成本、节约社会资源,并减少废弃物的排放,从而减少对环境的影响[1]。但是,由于生态工业园的结构和外界影响因素均存在很多不确定因素,这给生态工业园系统的运行带来了很多风险[2]。生态工业园是由多个行业的核心企业、附属企业,地方、区域和国家政府部门,商业协会,工会组织,教育与研究机构,跨学科的专家和顾问,非政府组织,居民等组成的复杂系统,成员之间关系错综复杂,利益分配机制多样,其风险特征具有多层次结构、多约束条件、多个决策者、多种不确定性因素、众多风险来源等特征,因此风险识别过程是一个复杂的过程。在评价生态工业园风险时,由于影响生态工业园风险的因素很多,而且各因素影响的程度也不同,评价结果难以用恰当的数学解析表达式来表示,属于非线性问题。因此,评价方法的选择直接影响评价结果的有效性。传统的评价方法倾向于主观评价,较常见的有AHP、德尔菲法等。随着计算科学的发展,更为复杂的一些智能算法体现了客观性评价的优越性,如启发式算法等。在生态工业园风险评价领域,能表达其评价指标的非线性关联性的评价方法已成为是研究的重点。因此,考虑BP神经网络的自组织、自学习、自适应和非线性的特性,本文提出了基于BP神经网络的生态工业园风险评价方法。

1 生态工业园风险评价指标体系

从现有的研究来看,学术界在建立合理的生态工业园评价指标体系上提出了很多建设性的意见,如:苏青福和赵涛[3]从内部成员、外部成员、结构关系和不可抗拒因素4个角度考察生态工业园的风险,每个因素包含多个子因素;元炯亮[4]将指标体系分解为经济、生态环境、生态网络和管理4部分;黄海凤等[5]从经济、环境、管理和生态方面建立了生态工业园评价指标体系;崔兆杰等[6]研究了生态市可持续发展指标体系。

生态工业园的成功运行需要来自不同行业的企业(包括核心企业和附属企业)、园区管理部门、基础设施服务提供商、信息服务提供商的共同努力,他们属于园区的内部成员;同时,生态工业园的成功运行也需要外部成员,如地方和国家政府部门、行业协会、原材料供应商、产品或服务销售商、居民、教育和研究机构等多方组织和团体的努力;此外,生态工业园还受自然环境的影响,因为生态工业园需要从自然环境中获取能源、水、土地等资源,并向自然环境排放最终废弃物。因此,对生态工业园风险进行评价需要综合考虑以上因素。

根据生态工业园的风险特征,可以建立一套生态工业园风险评价指标体系,如图1所示。

图1 生态工业园风险评价指标体系

评价体系可分为4个模块,分别为可持续发展指标模块、经济指标模块、管理指标模块、生态环境指标模块,其中可持续发展指标模块、经济指标模块、生态环境指标模块是从生态工业园发展结果的角度划分,而管理指标模块则是从特征评价的角度划分,可以视为生态工业园发展的内部支撑指标。下面将分别介绍各个指标模块的二级指标构成。

可持续发展指标中包括系统循环率、废物资源化比例、企业共生度和生态链多样性4个二级指标。系统循环率和废物资源化从生产过程的2个不同方面进行评价,即可再次参与生产和排出的生产系统,这是生产过程中的2个阶段。本文用这2个指标反映出生态工业园的生产状况。企业共生度是反映生态工业园区内企业之间的紧密联系程度,也就是产业链上成员之间的维系程度。生态链多样性指标是更加长远地评价生态工业园受市场经济的波动程度。目前很多生态工业园都存在着围绕一个主产业或核心企业发展的趋势,这种模式的生态工业园组建容易,但同时也增加了生态工业园受市场影响的风险。

经济指标中包括研究与发展经费、新入园项目投资、污染控制支出和工业增加值增长率4个指标。新入园项目投资可以从侧面反映出生态工业园扩展产业链的远景。增加产业链的多样性可以加强生态工业园的稳定性,所以新入园项目投资也可以作为风险研究的一项指标。研究与发展经费则可以作为产业链维护和升级的体现,也是生态工业园对自身生产链发展重视程度的体现,重视越高自然风险越低。工业增加值增长率则是以生态工业园上一年产值为基数,判断本年度相对于上一年的工业产值增加比,是生态工业园经济的直接体现。增长率较快说明生态工业园正处于快速发展期,生态工业园分解的可能性较小。

管理指标中包括信息集成度、职工对园区的认知、公众对园区的满意度和园区稳定性4个指标。现在的企业管理大多实行“以人为本”的管理决策,因此选取的信息集成度、职工对园区的认知和公众对园区的满意度均是以人作为研究对象的评价指标。这里的园区稳定性主要是指生态工业园内在协调程度的体现,也可作为工业园风险评价的指标。

生态环境指标中包括区域规划定位、环境质量、绿化覆盖率和生态建设4个指标。一个生态工业园风险的存在是方方面面的,其中很多风险在生态工业园的规划设计阶段就要加以考虑,如区域关系到一个物质流动渠道的建立,不合理的区域规划往往是资源浪费的不和谐体现,而合理的生态工业园区物流规划能降低生态工业园的运行风险。因此区域规划也作为生态工业园风险评价的一个指标。环境质量、绿化覆盖率和生态建设都是生态工业园的一些外在生态要素,这些指标能提升生态工业园区形象,吸引企业入园,从而降低生态工业园风险。其中:绿化覆盖率是园区的外表表现;环境质量包括水、空气等一系列自然因素的质量,是园区生态环境实质性的体现;生态建设则是园区从外表到实质的一系列举措。这3个指标囊括了整个生态环境建设的全部过程。

2 基于GA-BP神经网络的评价方法

生态工业园评价方法引起了一些学者的关注,如:孙晓梅等[7]运用修正的距离函数模型对生态工业园进行了评价;黄海凤等[5]利用灰色聚类法对生态工业园进行了评价。传统的评价方法均无法反映评价指标之间的非线性关系,而BP神经网络则能够实现非线性问题的求解。但BP神经网络仍存在一些不足:对初始权重非常敏感,极易收敛于局部极小。为解决初始权重敏感性和局部收敛问题,须引入进化计算方法。

遗传算法(genetic algorithm,GA)是一种以达尔文的自然进化论和孟德尔的遗传变异理论为基础的全局随机搜索优化计算技术。GA的搜索始终遍及整个解空间,擅长全局搜索,但是不能获得高精度的最优解,只能是最接近最优解;而神经网络在局部搜索时更为有效[8-9]。因此,将两者结合起来,取长补短,形成一种混合训练算法,可以达到优化网络的目的。GA与BP网络混合的方法就是先用GA获得近似最优解,赋予网络初始化权值,再用BP神经网络进行训练,从而获得较高精度的解。

2.1 BP神经网络原理

BP网络是一种典型的有导师的多层前馈神经网络,其基本原理是:输入信号Xi通过中间节点(隐层点)作用于输出节点,经过非线性变换,产生输出信号Yk;网络训练的每个样本包括输入向量X和期望输出量t,以及网络输出值Y与期望输出值t之间的偏差;通过调整输入节点与隐层节点的联接强度取值Wij和隐层节点与输出节点之间的联接强度Tjk以及阈值,使误差沿梯度方向下降,经过反复学习训练,确定与最小误差相对应的网络参数(权值和阈值),训练即告停止。

2.2 基于遗传算法的BP网络优化

将遗传算法应用于神经网络可以指导权重优化和拓扑选择。本文利用遗传算法确定网络的初始权值。优选神经网络的连接权重优化问题描述如下:

式中w1,w2,…,wn为统一编号后的连接权重(包括输入层节点与中间层节点以及中间层节点与输出层节点的连接权重),n为连接权重总个数,约束条件为-1<wi<1。

基于遗传算法的BP网络初始权值优化步骤如下:

1)初始化种群,一个染色体对应一组网络权值,染色体采用实数进行编码,设定染色体种群数量为N,遗传代数为gen,交叉概率为Pc,突变概率为Pm。

2)若达到最大遗传代数gen,转至步骤8)。

3)计算每个染色体的适应性,染色体i的适应值fi用其对应的网络误差Ei的倒数衡量:

4)采用轮盘赌方法选择群体中的一对染色体,以交叉概率Pc进行交叉操作,以Pm的概率对交叉后的染色体进行突变操作。对于突变基因,给该基因的权重添加一个在(-1,1)区间的随机值。

5)将后代染色体放入新种群中。

6)重复步骤4)和5),直到新染色体种群的大小为N为止。

7)用新染色体种群取代双亲染色体种群,转至步骤2)。

8)将适应性最高的染色体解码得到相应的网络初始权值。

在GA全局寻优的基础上运用BP算法进行局部细致搜索,当达到要求的收敛精度时结束网络的训练。

3 案例研究

本文以国家生态工业示范园区为样本,请有经验人士根据每个工业园区的信息评价其质量的高低,评价标准如表1所示。专家问卷调查回收有效问卷30份。

表1 生态工业园风险评价指标的评分标准

3.1 生态工业园风险评价的BP神经网络模型构建

1)确定BP网络的层数。1989年Robert·Hecht Nielson证明了一个3层的BP神经网络可以完成任意的N维到M维的映射,因此本文选取3层的网络模型。

2)网络输入层节点i的确定。输入层节点的多少与评价指标个数相对应。本文采用16个指标对生态工业园风险进行评价,因此网络输入层节点数i为16。

3)隐含层(中间层)节点数j的确定。用作函数逼近的BP神经网络,隐含层节点数与要逼近函数的精度和函数本身的波动性有关。到目前为止,精确预测隐含层所需要的神经元的数目仍存在一些理论上还没有解决的问题。通过误差试验,本文确定隐含层节点数为10个。

4)确定BP网络的输出层节点数。对于输出层,这里以生态工业园风险评价的结果作为系统的输出,输出节点数为1个。将输出结果与表1所示的评语集进行匹配,可以确定评估对象的风险级别。

3.2 基于GA的BP神经网络初始阈值优化

BP神经网络隐含层和输出层的传递函数分别采用正切Sigmoid函数 tansig()和线性函数purelin(),网络训练函数采用traingdm()。设定遗传算法优化神经网络初始权值的种群数量N为20,遗传代数gen为800,交叉概率Pc和突变概率Pm的值分别取 0.9和 0.1。利用 MATLAB R2011b对样本数据进行仿真,在GA进行了500代搜索后染色体的平均适应度趋于稳定。

3.3 优化后的BP神经网络训练和预测

将遗传算法的优化结果设置成BP网络的初始权值和阈值,训练BP网络,设定训练的误差精度为0.001,学习率为0.05。30组样本的前20组作为训练样本,后10组作为预测样本。同时,为了比较,本文也采用了相同参数对标准BP神经网络进行训练和预测。训练结束后,利用训练好的3层网络,分别输入测试的10组样本数据。计算结果分别如图2和图3所示。

图2 GA-BP网络预测输出

图3 BP网络预测输出

网络的预测误差百分比k是误差与期望输出之间的比值,即

GA-BP网络和标准BP网络的预测误差百分比如表2所示。

表2 预测样本实际输出与期望输出数据

3.4 仿真结果分析

GA-BP网络的预测误差百分比绝对值的平均值是0.063 4,标准BP网络的预测误差百分比绝对值的平均值是0.159 6。这说明GA-BP网络在生态工业园风险评价方面具有较好的性能,且准确率比BP网络有提高。但是,预测的少量结果仍存在一定误差,究其原因主要有2点:①从神经网络的建模上讲,隐含层结点个数应尽量达到最佳,使网络模型更加完善,从而使学习和预测结果达到最佳;② 由于实际统计数据有限,样本数量较少,要使仿真结果更接近实际值,既要注意模型的完善,还应提供足够的样本。

4 结论

1)考虑生态工业园风险识别的复杂性,提出一套生态工业园风险评价指标体系,包括可持续发展模块、经济发展模块、管理制度模块和生态环境模块等。

2)将BP神经网络与遗传算法结合的混合启发式算法用于生态工业园风险评价。采用遗传算法对BP神经网络的初始连接权值进行训练寻优,再用BP神经网络进行训练,从而获得较高精度的解。

3)仿真计算表明:基于GA-BP神经网络的生态工业园风险评价模型训练时间短,收敛速度快,在学习过程中不易陷入局部极小点,具有良好的应用前景。

[1]Chertow M R.Industrial symbiosis:literature and taxonomy[J].Annual Review of Energy and the Environment,2000,25(1):313-337.

[2]Sakr D,Baas L,El-Haggar S,et al.Critical success and limiting factors for eco-industrial parks:global trends and Egyptian context[J].Journal of cleaner production,2011,19(11):1158-1169.

[3]苏青福,赵涛.生态工业园的风险识别与过滤研究[J].统计与决策,2012(1):76 -79.

[4]元炯亮.生态工业园评价指标体系研究[J].环境保护,2003(3):38-40.

[5]黄海凤,张宏华,蔡文祥,等.基于灰色聚类法的生态工业园区评价[J].浙江工业大学学报,2005,18(4):118-121.

[6]崔兆杰,谢连科,刘雷等.生态市可持续发展指标体系的建立和评价方法研究[J].科学技术与工程,2006,6(13):1863-1868.

[7]孙晓梅,朱丽,崔兆杰.生态工业园发展状况评价指标体系的建立[J].改革与战略,2010,26(3):109 -113.

[8]周开利,康耀红.神经网络模型及其MATLAB仿真程序设计[M].北京:清华大学出版社,2005.

[9]黄勤,龚海清,刘金亨,等.基于改进的遗传神经网络入侵检测系统[J].重庆理工大学学报:自然科学版,2010,24(2):83 -86.

猜你喜欢
工业园神经网络节点
CM节点控制在船舶上的应用
地下工业园
地下工业园
Analysis of the characteristics of electronic equipment usage distance for common users
基于AutoCAD的门窗节点图快速构建
神经网络抑制无线通信干扰探究
基于神经网络的拉矫机控制模型建立
复数神经网络在基于WiFi的室内LBS应用
抓住人才培养的关键节点
基于支持向量机回归和RBF神经网络的PID整定