差分蝙蝠算法在精准扶贫中的应用

李 倩，陈 亮，李长英，朱元凯

(泰山职业技术学院 信息技术系，山东 泰安 271000)

1 引言

习近平总书记于2013年提出了精准扶贫的思想，为我国扶贫工作指定了方向.各方面的学者、专家和实际工作者把工作重心转移到精准扶贫上，研究了扶贫的内涵特征、问题成因、实施困境等内容，并获得了一定的学术成就.在实际工作中判断贫困区域和贫困家庭时，基本采用家庭总收入、家庭总支出、成员健康状况、村委会和村民对该家庭的评价等多项指标进行统计分类的方法确定贫困家庭.但是由于贫困家庭千差万别，仅依靠简单的统计很难准确区分贫困家庭，甚至会导致偏差.张翔提出的教育扶贫对象精准识别模式将重点放在了民主评议上；刘小珉设计了多维贫困的测量模型，该模型仅仅是按贫困度排序.本文引入差分蝙蝠算法对贫困家庭进行优化选择，以提高贫困家庭选择的精确度.

2 差分蝙蝠算法

基本蝙蝠算法(Bat Algorithm，BA)是模拟自然界中蝙蝠利用一种声呐来探测猎物、避免障碍物的随机搜索算法，即模拟蝙蝠利用超声波对障碍物或猎物进行最基本的探测、定位能力并将其和优化目标功能相联系.BA算法的仿生原理将种群数量为n的蝙蝠个体映射为D维问题空间中的NP个可行解，将优化过程和搜索模拟成种群蝙蝠个体移动过程和搜寻猎物利用求解问题的适应度函数值来衡量蝙蝠所处位置的优劣，将个体的优胜劣汰过程类比为优化和搜索过程中用好的可行解替代较差可行解的迭代过程.

基本蝙蝠算法中的两个参数:音量的衰减系数α和搜索频率的增强系数,对算法性能的影响非常大.如何有效平衡算法的寻优精度和收敛速度,关键是合理设置参数的值.仿真过程通过反复调整参数的值,才能得到合适的参数的值.为解决相关问题，肖辉辉等将把差分算法引入到了蝙蝠算法中，创造了差分蝙蝠算法.

差分蝙蝠算法有两个突出点：(1)将基本蝙蝠算法对数据的连续性要求降低为离散；(2)为群蝙蝠个体更新提供了变异、交叉、选择等操作，从而达到增加蝙蝠个体的多样性，提高算法的全局寻优能力和局部搜索能力.

(1)变异操作：vij(t)=ua(t)+F(ub(t)-uc(t))，其中ua(t)、ub(t)、us(t)是各不相同的用户，是缩放因子F∈[0，2].

(1)

(2)

CR∈[0，1]为交叉概率，rand(0,1)是[0，1]上服从均匀分布的随机函数，rand(1,n)∈[1，2，…，d]的随机函数.

(3)

DEBA算法将差分进化算法和蝙蝠算法各自的优点融合在一起，使DEBA算法不仅具有强大全局寻优能力，而且也具有强大的局部搜索能力，从而克服了BA算法收敛精度不高、容易陷入局部最优、后期收敛速度慢等缺点[1].

3 贫困家庭选择模型

贫困家庭选择是精准扶贫的关键问题.解决贫困家庭识别问题最直接的分析方法当然是从单个指标入手，通过计算各项指标的数值进行判断是否达到贫困状况.这种直接方法往往受单个指标影响，导致判断失误，所以应采用多个指标进行综合考察.因此根据贫困家庭申报数据，调查每个贫困家庭，按多贫困指标采集贫困家庭的数据，构造贫困家庭-指标矩阵.

则贫困家庭-指标矩阵记为X=UF={xi,j}，xi,j为第i个贫困家庭的第j个指标的值.

每个贫困指标都设定阀值，其值大小是判定贫困家庭的最低标准，贫困指标的阀值由经验或政府部门制定.记贫困剥夺个体矩阵记为：

G={gi，j}，其中gi，j为第i个贫困家庭第j个指标的满足情况.

记贫困剥夺个体数矩阵为Q={qi，j}，其中，

贫困指数记为：

M(k)=H(k)×A(k)

(4)

4 基于差分蝙蝠算法的贫困家庭优选算法

设定ui(t)是第t代的第i个贫困家庭集合，则ui(t)==(ui1(t)，ui2(t)，…,uim(t))，umin≤ui(t)≤umax，[umin，umax]是搜索空间.算法步骤如下：

Step1:种群初始化，随机选择n个蝙蝠(贫困家庭)作为一组初始解.

Step2:以上年的贫困家庭作为初始解，即蝙蝠的初始位置ui，根据公式4计算贫困度并确定当前最优解u*.

Step5:根据公式1、2、3进行变异、交叉、选择等变换操作计算蝙蝠的新位置.

Step6:按式4计算所有蝙蝠的适应度从而得当前最优解u*，如果存在ui满足f(ui,u*)<ε则将u*、ui合并，将次优解为最优解.

Step7:重复执行Step2～Step7，直到迭代次数达到规定次数或没有蝙蝠ui满足f(ui，u*)<ε.

5 实验分析

采用CHES2014齐河县农村居民调查数据，该数据仅包含农业人口.数据来源自该县12个乡镇、1012个行政村7257个样本户.贫困指标包含收入、教育、疾病、保险、饮用水、卫生设施、厨房燃料、电器资产及住房条件(表1).设定最大脉冲率R0=0.4，脉冲频率增强系数为0.02，脉冲频率范围[0，2]，最大脉冲音量A0=0.35，脉冲音量衰减系数为0.9，尺度因子F=0.4，交叉概率CR=0.15，最大迭代次数为10000.

执行算法后得到贫困家庭数共406家，与上年贫困家庭数相比，存在一定的偏差，即35家上年贫困家庭未列入，同时有21家是新列入贫困家庭.通过走访偏差家庭发现，新列入家庭有4家不符合标准，未列入的上年贫困家庭只有7家仍符合贫困标准.即与上年数据的契合率达到了98.2%.

表1 部分贫困家庭得分

6 总结

本文讨论了精准扶贫研究中的量化问题，将差分蝙蝠算法引入到贫困家庭识别中来，构造了基于差分蝙蝠算法的贫困家庭筛选算法.计算结果表明算法能够减少由主观因素带来的偏差问题，使真正的贫困家庭得到国家扶持，脱离贫困，走向富余.本文以齐河县为样本进行贫困家庭识别，与同期该区域人工确定的贫困家庭基本符合，并排除了部分不符合扶持条件的家庭，基本达到了精准扶贫的目的.

[参考文献]

[1]肖辉辉,段艳明.基于DE算法改进的蝙蝠算法[J].计算机仿真,2014(1):272-278.

[2]陈亮,李长英.一个基于差分蝙蝠算法的推荐算法[J].泰山学院学报，2017，39(3):75-78.

[3]盛孟龙,贺兴时,王慧敏.一种改进的自适应变异蝙蝠算法[J].计算机技术与发展，2014(7):131-134.

[4]李枝勇,马良,张惠珍.0-1规划问题的元胞蝙蝠算法[J].计算机应用研究，2013(10):23-26.

[5]尚俊娜,刘春菊,岳克强,李林.具有自学习能力的变异蝙蝠优化算法及性能仿真[J].系统仿真学报，2017(2):104-107.