我国鲜活农产品运输的VC-BP神经网络组合模型

郗恩崇,郭 玲

(长安大学 经济管理学院,陕西 西安 710064)



我国鲜活农产品运输的VC-BP神经网络组合模型

郗恩崇,郭 玲

(长安大学 经济管理学院,陕西 西安 710064)

鲜活农产品因其易腐烂、难保存的特点导致运输过程中损耗严重,成本重复,因此对运输有较高要求。通过层次分析法确定农产品运输通道评价指标权重,将变尺度混沌优化与BP人工神经网络有机结合,可构建变尺度混沌-BP神经网络组合优化模型。该模型通过变尺度混沌优化方法对网络权值分布进行优化,采用梯度下降法最终搜索确定全局最优权值。该模型可实现对农产品运输通道模式的评价和选择,避免了各种运输方式成本的重复利用,可快速有效提高农产品运输的运输质量。该模型可做到全局优化,避免了以往算法局部最优化的缺陷。通过实例仿真,该模型具有较好的应用性和动态适应性。

农产品运输评价指标;变尺度混沌-BP神经网络组合模型;农产品运输通道方案评价

[国际数字对象唯一标识符DOI] 10.13951/j.cnki.issn1002-3194.2015.03.011

鲜活农产品因其时节性和地区性,表现出保鲜期限短,储存难度高的特点,因此对运输提出了较高的要求,如减少路运时间,降低损耗程度。目前我国鲜活农产品的运输主要模式为公路运输,多种运输方式联合使用的模式在实践中较少,导致的后果是鲜活农产品在运输过程中损耗程度过高,甚至高达1/3,与美欧运输发达国家损耗程度1/20相差甚远。①范如国,王丽丽:《FRID对生鲜农产品运输时间及零售商与物流商收益的影响分析》,《技术经济》2011年第7期。科学有效地对农产品运输通道进行综合评价,进行多式联运方案的探讨,是合理运用农产品运输网络的效能,降低成本重复、运输损耗,推动综合运输网络发展的有效途径。国内外学者专门针对农产品研究运输网络的文献极少,主要研究内容集中在分析影响运输方式选择的因素以及对运输方式进行评价和选择等方面。采用的算法主要为层次分析法和博弈论,近几年也有学者开始尝试对其他算法如非集计模型、logit模型、人工神经网络等方法进行研究。如Liberator, Matthew,J. Miller, Tan(1995)通过构建层次分析模型分析了如何在服务成本和服务质量这两个相互制约的因素之间做出最佳的选择;*Liberator, Matthew， J. Miller,Tan. “A Decision Support Approach for Transport Carrier and Mode Selection”. Journal of Business Logistics. 1995 (16).Kjetil K.Haugen、 Arild Hervik(2003) 通过两个物流企业的运输状况分析,运用博弈论从市场竞争的角度做出分析,提出了两种运输方式间的博弈矩阵，采用博弈论的方法得出非帕累托最优的均衡解;*Kjetil K.Haugen. Arild Hervik. “A Game Theoretic Model-Choice Model for Freight Transportation”.The Annals of Regional Science, 2004 (38): 289-303O.Norojono、Young提出了比较适合货运的非集计的交通运输方式的选择模型。*O.Norojono, W. Young. “A stated preference freight mode choice model”. Transportation Planning and Technology, April 2003 (26): 389-402纪跃芝和冯延辉等(2005)运用层次分析法根据效益和成本因素构建了两个层级结构,认为采用此结构可有效解决多目标决策问题。*纪跃芝,冯延辉：《基于AHP模型交通运输方式的效益与代价分析》，《长春工业大学学报》2005年第3期。朱健梅(2003)从运输方式内部之间的调配研究,通过博弈模型对多种运输模式之间的结构作出了系统的研究。*朱健梅：《竞争性运输通道选择的博弈模型研究》，《西南交通大学学报》2003年第3期。刘涛(2008) 通过DHGF算法,构建出进行运输模式选择的多人博弈模式,提出相应的评价体系,对各种运输模式作出了评价,提出了选择的优劣排序。*刘涛：《基于博弈模型的物流运输方式选择及其应用》，武汉理工大学，博士学位论文，2008。

综上所述,国内外目前缺少对农产品运输方面的专门化研究,大量的研究集中于对运输模式选择方面,缺乏相应的运输对象研究尤其是农产品运输研究,算法较多采用层次分析法和博弈论方法。传统的层次分析法和博弈论的方法在进行运输方式综合评价时存在局限,容易陷入局部最优,无法进行更大范围的客观评价和选择。运用神经网络的方法也同样由于其基于梯度下降法而存在学习过程易陷入局部极小的缺陷。本研究着眼于农产品的运输环节,在层次分析法基础上对农产品运输方式提出评价原则,同时将改进的变尺度混沌优化引入BP人工神经网络,构建变尺度混沌-BP组合模型来实现对各运输方案的综合评价和方案选择。改进的变尺度混沌-BP神经网络将变尺度混沌优化与梯度下降相结合,将有效降低单纯使用BP神经网络所产生的局部极小的缺陷,从而实现全局优化。

一、VC-BP神经网络组合模型

(一)变尺度混沌模型(VC)

在非线性系统中,混沌是一种比较常见的现象,看似一片混乱,实则含有内在的规律性。在固定区域内,它可以经历所有的状态且不重复,既表现出随机,又表现出一定的规律。对混沌做出改善的主要思想体现在混沌变量被映射到优化的变量空间,然后利用混沌变量进行搜索。由于混沌对于所取初始值非常敏感,当所取的初始值不同时,所得到的混沌变量表现出不同的轨迹。此优化的方法可以使得搜索空间缩小,避免局部最小出现,因而搜索本身的效率得以大幅度提高。本文采用混沌映射:

(1)

图1 X(n+1)=sin(2/X(n))的混沌状态(X(0)=0.25)

此混沌映射在区间[-1,1]内存在无穷多个零点和不动点,即混沌吸引子的取值区间与BP神经网络的权值相匹配,利于用混沌变量来优化神经网络的权值。由图1可知,当网络迭代达到一定次数时,网络的输出将取遍神经网络的全部权值空间。一般的混沌优化算法对比较小的搜索空间表现出较明显的效果,但是当搜索的空间变得很大时其搜索效果却不够理想。且混沌优化算法的搜索精度随着原问题解空间的增大而降低,且最终会出现无效的情形。于是,变尺度混沌优化方法开始出现。

变尺度混沌优化算法先通过混沌映射迭代式对整个权值空间进行搜索,根据搜索进程不断缩小优化变量的搜索空间,改变下次搜索的调节系数,进行下一步的“精细搜索”,继续在下一个新的解空间内进行混沌遍历搜索,最终会找到全局的最优值。

(二)BP神经网络模型

BP神经网络修正了直觉方面的缺陷,通过其具有的非线性信息调试能力,因而在组合优化、神经专家、智能预测等方面运用广泛。人工神经网络模型发展到今天已有百余种模型,而在实践中,大多采用的是BP神经网络和它的相应变化模式。BP神经网络具有三个层次或更多的神经元组合结构,如图2所示:

图2 BP神经元模型

通过神经元使它的左右层级之间的每个神经元相互连接,与此不同的是,上下层的神经元间并未连接。如图3所示:

图3 多指标综合评价三层BP网络结构

BP算法是一种有监督式的学习算法,其流程是当一对学习模式输入网络之后,它的神经元激活数值开始从各个隐含层次持续传播,直至输出,其输出值与输入模式网络之间是相互对应的。按照误差平方和要求达到最小数值的标准,反向由输出逐层返回至输入层,不断修改各层神经元的权值。BP学习算法主要经过两个步骤: 第一个步骤是通过特定的输入, 利用当前的连接权值进行正向传播, 最终获得输出层各神经元的实际输出; 第二个步骤是通过比较各神经元的理想输出数值与实际输出之间是否存在差距,从而获得一般化误差,然后这些误差反向传导到隐含层各神经元, 最后根据误差值来不断调整各层间的连接权值。

本文采用的BP神经网络为三层结构,即输入、输出,以及许多隐含层。假设该网络的输入层和隐含层及输出层的节点数为:n1、 n2、m,输入网络的样本总和是P,xpi即第p个样本第i个输入数值;hpj代表隐含层第j个节点的输出,ypk、tpk分别表示输出层第k个节点的实际输出和理想输出,ωij表示输入层第i个节点到隐层第j个节点的权值,ωjk为隐层第j个节点到输出层第k个节点的权值。则有:

定义误差函数

(2)

BP神经网络具备较高的并行性和良好的容错性,具有较好的自适应和自学习能力,拥有较强泛化能力,能够有效地解决非线性目标函数的逼近问题等优点,被广泛应用于自然和社会各学科和领域中。

(三)VC-BP网络模型

BP神经网络在应用中仍然存在不足。由于梯度下降法的特点,该网络初始权值的选择决定了网络自身的收敛程度,容易出现学习的过程限于局部最小化的缺陷。同时,神经网络在学习过程中也表现出收敛速度不高,学习速率高时易产生震荡等缺点。这些缺点给神经网络的具体应用效果造成了许多影响。

鉴于BP网络中梯度下降法应用所存在的缺点,本文采用变尺度混沌的方法加入BP神经网络的算法,取代了梯度下降法,可对权值实现优化。变尺度混沌优化神经网络即VC-BP网络利用了混沌遍历性,对搜索进行了优化,有效克服由于对初始值的依赖而出现的局部最小值缺点,可以确保在整个网络全局内找到最优权值的附近点。另一方面,当接近到全局最优的权值点时,搜索的速度将呈现减慢的状况。为了避免这一点,保证搜索效率,本文将变尺度混沌算法与BP算法结合的VC-BP算法,采用变尺度混沌优化的方法对该网络内的权值分布做出优化,使得每一个权值区域中确定出某一个较小和较优的搜索区域,同时确保它可以涵盖全局的最优点。接着采用梯度下降的方法在该空间中进行一番搜索,最终出现的值将确定是全局最优的。通过VC-BP的优化算法,不但可以有效实现全局程度的优化,并且使得梯度下降法在收敛效率方面较高。

二、VC-BP网络设计

VC-BP网络的设计要求可以满足各种需求,在这些需求中,较高的泛化能力非常重要。通常而言,泛化能力主要取决于以下三个方面的因素:样本容量、网络自身的结构以及需求的复杂程度。因此,本文在进行鲜活食品运输模式评价时,对该网络的设计主要从网络层级、各等级神经元数量、确定初始值、期望误差和学习速率、网络训练模式以及BP神经网络调整参数的方式等几个方面进行考虑。

(一)神经网络层数、各层神经元个数的确定

根据BP人工神经网络理论,对于任何在闭区间内连续的函数映射关系而言,BP神经网络学习过程都可以逼近所有有理函数,即一个含有一个隐含层的三层等级网络结构可以实现在空间内从n维到达m维的映射。为了使得误差降低,精度提高,常常采用层数递增的方法,但此方法的弊端是与此同时网络更加复杂化,训练的时间也同时增加。改进的方法是利用隐含层神经元数目的递增从而相应提高误差的精度。该种训练实行起来更加方便,对结果进行调试也更为方便。因此,本文将采用三层BP网络结构来建构农产品运输方式的综合评价模型。

神经元的数量在具体应用中,一般会给定具体的输入和输出层神经元数量和学习样本的具体数量。各种运输模式的评价指标的具体数量,即为输入层级的神经元的数量,本文采用的评价指标为8个,因此神经元的数量即确定为8;最终对于鲜活食品运输模式进行综合评价后的结果,即为输出层神经元的数量,确定为1; 由于隐含层神经元的数量往往与具体操作和设计者的经验密切相关,并且需通过多次试验才能最终确定,因此要获得一个理想的数量较为困难, 可以通过一些较成熟的公式和具体操作经验变化隐含层神经元的个数,在学习的过程中,将无效的神经元去除,或者在不断学习的过程中,不断增加神经元的个数,直到最终达到相对合理的隐含层数目。对隐含层神经元数的确定,有以下几个经验公式:

(3)n1=log2n,n代表输入层神经元的数量。

(二)初始权值、学习速率及期望误差的确定

变尺度混沌是一非线性系统,其初始值的选取直接关系训练能否达到局部最小值,算法是否能够收敛。若初始值设置太大,加权后的输入和在激活函数-S型的饱和区,网络权值的调整过程几乎不能停止。因此,要求网络初始权值在输入累加时使得每个神经元的状态值都接近于零,权值一般取比较小的随机数。对输入样本进行归一化处理,使得比较大的输入落在传递函数的梯度大的地方,保证在S型激活函数变化最大处对每一个神经元的连接权值进行调节。基于此,选取区间(-1,1)之间的随机数作为初始值。

学习速率决定每一次学习中生成权值的变化量,对于网络的学习速率,一般来说学习速率越大,收敛越快,但可能造成网络震荡,可能导致网络系统不稳定;学习速率过小又会使网络训练时间过长,收敛速度变慢,可能导致网络的误差值陷入局部最优,不能最终趋于最小误差。为了满足网络的稳定性,我们倾向于选择较小的学习速率。通常网络学习速率的选取范围在0.01～0.8 之间。类似于初始权值的选取过程,网络学习速率的选取也要通过几个不同的学习速率的训练,通过每一次训练后的误差平方和∑e2的下降速率判定所选定的学习速率是否合适,如果∑e2下降很快,说明学习速率合适,但若∑e2出现振荡现象,则说明学习速率过大。为了减少寻找学习速率的训练次数和时间,通常比较合适的方法是采用变化的自适应学习速率,使网络在不同的阶段自动设置不同的学习速率。

网络期望误差值的选取“合适”与否,是相对所需要的隐含层的节点数来确定,较小的期望误差要靠增加隐含层的节点以及训练时间来获得。通常,可以同时对两个不同期望误差的网络进行训练,最后通过综合因素的考虑来确定采用其中一个网络。

(三)训练模式及调整参数方式的确定

训练网络的模式主要为两种:逐变模式、批变模式。若采用逐变模式,则输入的数据会被分次作用于网络中,误差和网络的权值也将分次出现更新。若采用的是批变模式,所有的数据将被一次性作用于网络,误差和网络的权值也会一次性更新。比较而言,使用批变模式只需要确定好一个训练的函数,在实际应用中使用非常方便。因此本文也将采用批变的模式进行网络训练。

参数调整的目的是使得样本的所有预期输出与实际输出的误差较为稳定,且数值较小。大多采用挤压式函数Sigmoid。当输入值很大或者相反,输出函数的斜率将非常接近于0。而当采用梯度下降法进行训练时,阈值和权值的可调整范围变小,无法实现最优,甚至于造成训练终止。若想避免此类不利的影响,采用弹性梯度下降法是一个较好的选择。运用弹性梯度下降的方法可以使得函数导数的正负特性决定权值的修订,但其数值却对修定权值无法产生影响。因此将Matlab中newff函数最后一个参数设为“trainrp”,代表用弹性梯度下降法调整参数。

三、基于VC-BP网络的农产品运输通道综合评价建模

(一)农产品运输通道综合评价指标体系构建

对鲜活农产品运输通道模式进行综合评价,需要依据一定的原则。农产品因其对快速、低耗、保鲜等的特殊要求,对运输方案选择的评价也有其自身的特点。因此如何判断鲜活农产品的运输方案优劣,需要纳入多方面因素对其产生的影响:首先,经济性是判断一个方案的首要原则,具体表现为成本、企业营业收入和财务状况;第二,运输的快速反应能力是针对鲜活农产品自身的特性而考虑的原则,运输时距离、运输时间常常是鲜活农产品保鲜的决定性因素。这一原则通过运输时间、运输距离和运输准时率等三个指标来具体阐述;第三,降低鲜活农产品在运输过程中的高风险性,通过控制货物的损耗程度,来控制运输过程中的损失,可通过货物损耗、事故赔偿等几个指标来表述。在具体操作中主要考虑经济能力、敏捷能力、风险控制能力等3个方面的关键因素。结合每一个关键因素都有各自的子指标综合构成最终完整的综合评价准则。*郭玲:《基于多目标综合评价的农产品运输模式研究》,《山东农业大学学报(自然科学版)》2015年第1期。利用上述评价原则最终确定的综合评价指标体系如表1所示:

表1 农产品运输通道综合评价指标体系

在对农产品运输通道评价指标进行分析的基础上,通过调研和专家评测,对方案1直到方案10等10个运输方案,构建指标判断矩阵,得出综合评价指标排序,应用层次分析法进行分析,求解最底层的指标对目标的影响权重,最终确定的综合评价权重体系如图4所示:

图4 农产品运输通道模式综合评价权重体系

(二)鲜活农产品运输通道VC-BP网络评价模型

农产品运输方案的综合评价和选择通常是在一定的原则如经济原则、快速反应原则及风险制约原则的指导下,对一些方案进行初选,然后通过一定的算法对初选的方案做出评价和比较,综合各种因素,对各个方案做出优选排序。本文结合鲜活农产品的特殊性,提出一个综合评价指标体系,采用层次分析法计算出评价指标对目标的影响权重,为变尺度混沌-BP网络评价提供数据样本。通过训练的过程，一些重要信息将不断存储到各层神经元中,然后根据这些信息可以进一步预测或者评价类似因素的最终结果,从而实现对各运输方案的评价。具体的农产品运输变尺度混沌-BP算法的操作流程如下:

(3)

第五步:重复运行第二、三、四步骤,直到一定步数M1内E*保持不变,或者E*

第六步:权值空间进行变尺度压缩:

为使新范围不至越界,作如下处理:

第七步:构造新的混沌变量

α=exp(-l-1)

(4)

重复第二步、第三步和第四步进行混沌BP训练,直到一定步数M1内E*保持不变,或者E*

第八步:令l=l+1,通过公式(4)减小α值,再次运行第六、七步骤。

四、实例仿真

(一)问题的提出

鲜活农产品相对于其他产品具有季节性和较难储存的特点,这些特征要求鲜活农产品在运输过程中能够迅速、有效和降低损耗及成本。目前,我国鲜活农产品在运输方面需求量很大,但在运输环节,各运输方式无法做到有效配合,导致农产品的运输成本重复和损失率却非常之高。农产品的运输需求方急需要一个科学有效的评价体系和方法,以实现对每一批农产品的多种运输方案做出综合评价,从而有效解决运输环节中成本重复消耗、运输质量低、收益差等问题,综合运用各种运输方式的优势,同时也可进一步促进农产品生产者与农产品运输者双方协调发展。

(二)样本数据处理

在层次分析法获得的各评价指标权重体系基础上,选取15项运输方案,对每个方案用运输收入、运输成本、财务状况、准时率、运输时间、运输距离、货物损耗、事故赔偿等8个评价指标来确定其优劣,专家评价列数据表示对该运输方案的综合评价结果。

表2为经过量化和处理,通过专家打分,并应用层次分析法得到每个运输方案的综合评价分数的实验训练数据。

表2 专家数据与结果

(三)网络训练

用表2中前十个运输方案的评价数据作为相应的训练取值,结构为8-17-1,训练过程如图5所示:

图5 变尺度混沌-BP网络训练图

经过35次训练,误差达到0.000977,在允许的误差范围内,网络训练成熟。

通过训练得到的网络模型如表3所示:

表3 网络模型

五、结果分析

经过变尺度混沌-BP网络训练,达到成熟,下一步可进行仿真。在表2中,剩余5个方案数据可以采用。 表4所示为利用本文提出的变尺度混沌-BP网络算法预测值,及与单纯利用标准BP算法的预测结果进行比较分析。

表4 单一BP算法和变尺度混沌-BP算法预测结果对照表

由表4分析可知,本文提出的变尺度混沌-BP网络的训练误差远远小于单纯BP算法,且其综合识别性能表现较高,并且在泛化能力方面表现优异。

网络输出值:Y=[0.4266 0.5152 0.7158 0.7739 0.6961]'

目标输出值:T=[0.4799 0.4732 0.5998 0.7376 0.6574]'

误差:E=[0.05 0.04 0.12 0.04 0.04],在允许范围内,可用来对运输方案进行评价。

表5所示为本文提出的变尺度混沌-BP网络模型得出的5个方案的评价结果和排序。

表5 测试样本评价结果

从以上结果可以看出,方案14为最佳选择,方案11为最劣选择,经分析,此排序对应于各个指标的特点。鲜活农产品运输供求双方均可据此选择一种运输方案,也可结合具体运力、设备等状况从方案排序中择优选择。

六、结 论

应用改进后的变尺度混沌-BP神经网络模型,可有效做出农产品运输通道各方案的综合评价。应用变尺度混沌-BP网络模型通过学习，积累进行评价的经验。通过阈值和权值的学习,并且对网络进行训练,获取到训练后神经网络的模型。利用此变尺度混沌-神经网络模型可以对农产品各运输方案进行综合性的评价,通过综合得分的排序,根据企业的需求,选择一个或多个最佳运输通道方案。仿真过程显示,该模型可有效避免单纯使用人工神经网络的缺陷,从而具有较好的应用性。

该网络模型还是一个动态模型,可以根据实际的要求进行不断改进。如果实际中评价因素更多,那么输入神经元的数值可根据需要增大,若专家的数量更多,则可以增加一行输入样本数据,进行新一轮的网络训练,从而得到新的网络模型。因此,变尺度混沌-BP模型在农产品运输方案评价的实际应用中具有较强的适应能力和联想能力。

[责任编辑：赵守江]

Comprehensive Evaluation of Transportation Mode of Fresh Agricultural Products in China

XI En-chong, GUO Ling

(SchoolofEconomicsandManagement,Chang’anUniversity,Xi’an710064,China)

Based on the combination of the variable scale chaos optimization and BP artificial neural network, an optimized Variable Chaos -BP neural network model (VCBP) has been proposed. The VCBP model optimizes network weight by the method of variable scale chaos optimization, and reaches the global optimum by the adoption of gradient descent method. This optimized algorithm can achieve global optimization, and avoid the simple BP algorithm defects caused by local optimization. Through the example simulation, the model can undertake comprehensive evaluation and selection of transportation corridor of agricultural products. Simulation shows that VCBP model has good applicability and dynamic adaptability.

evaluation scale of agricultural transportation; VCBP model; evaluation of agricultural products transportation program

2015-03-23

郗恩崇(1946- ),男,河北保定人,长安大学经济管理学院教授、博士生导师,研究方向为道路经济与管理、农村经济与管理;郭玲(1975- ),女,山东青岛人,长安大学经济管理学院博士研究生,研究方向为农村经济与管理。

教育部人文社会科学研究基金项目“基于效率与公平的城乡居民收益理论模型和系统动力学仿真研究”(11YJA790221)

F

A

1002-3194(2015)03-0089-09