基于遗传算法优化的神经网络研究及应用

余善好

摘要：随着车辆的不断增多，城市的交通问题成为一个重要的研究课题。智能交通要求能够根据一些历史数据及时对交通量进行预测，以便决策者对路段进行控制，使得道路交通达到一种理想的控制效果。计算机技术的快速发展，使得人工智能在这个研究领域占有其独有的地位，也成为近年来计算机领域中研究的一个重点。

在神经网络的实际应用中，均是采用BP神经网络或者改进模型。针对神经网络存在的问题，需要一种好的算法对神经网络进行优化，提高网络的整体性能。遗传算法在系统控制、结果优化等诸多应用领域方面都有十分成功的应用。

关键词：神经网络；遗传算法；车流量预测

中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2018）16-0191-03

Research and Application of Neural Network Based on Genetic Algorithm Optimization

YU Shan-Hao

（Basic Experimental Teaching Center， Anhui Sanlian University， Hefei 230031， China）

Abstract： with the increasing number of vehicles， the traffic problem of the city has become an important research topic. Intelligent traffic demand can predict traffic volume timely according to some historical data， so that decision-makers can control the road sections， so that road traffic can achieve an ideal control effect. With the rapid development of computer technology， artificial intelligence occupies a unique position in this research field， and has also become a research focus in computer field in recent years.

In the practical application of neural network， the BP neural network or the improved model are used. In order to solve the problem of neural network， a good algorithm is needed to optimize the neural network to improve the overall performance of the network. Genetic algorithms have been successfully applied in many fields such as system control， result optimization and so on.

Key words： neural network； genetic algorithm； vehicle traffic prediction.

在經济高速发展的同时，人们的生活和出行方式也在不断变化。但是，随着车流量的增加与增多，很多道路都呈现拥堵的现象，给人们出行带来不利。为此，为了更好地对道路的交通信息做好规划、方便出行，人们不仅使用各种先进的信息获取各种道路的实时信息，而且有的路段已经对车流量进行预测，以便实现各种道路信息的互通，规划合理的路径和车流量分流，达到节约出行者的时间和精力等目的。因此，很多人投入到智能交通相关研究。

计算机学科中的人工智能也是自21世纪以来研究的热点问题。随着人们对神经网络研究的不断深入以及处理复杂问题中展现出的优势，越来越多的学者参与神经网络的研究中，成为学术界的热门研究专题。

神经网络是人们提出的一种模拟人脑复杂机制的新兴学科，它描述的是人类大脑神经网络的抽象模拟过程，从而为人工智能和信息处理等应用领域开辟一种全新的处理方法。整个神经元是由许多简单的神经单元并行构成，其工作方式是并行进行。神经网络主要是通过对输入和输出数据的学习、分析，掌握他们之间的潜在规则，推导出输出结果。因此，在数学领域、模式识别领域、气象预测等许多方面都有一定的实际应用。

遗传算法（Genetic Algorithm， GA）是1975年Holland教授提出来的一种优化算法。旨在为群体找到最优算法的搜索技术，对目标群体经行选择、交叉、变异等遗传操作，产生新群体，再循环进行搜索、优化，直到群体接近我们设置的要求或目标为止。因为该算法是针对全局的优化搜索法，所以能够避开局部极小点，鲁棒性强。遗传算法可以在全局范围内进行寻优，不像神经网络可能是对某一区域的寻优，有效地避免了网络陷入局部最优点的弊端，进而可以达到优化神经网络的目的。

近年来，随着两种算法研究的不断深入，很多学者设想将两种算法组合在一起，形成一种全新的算法。神经网络虽然在自学习、自适应等方面有显著的优势，但是其在搜索的目标或者学习的范围内很难快速定位优秀解的范围，而遗传算法是针对快速寻优找出最优解的一种有效算法，两种方法的结合可以使得神经网络更加具有智能化的算法，是一种非常理想的方法。通过将两种算法的有机结合，实现优势互补，是今后很长一段时间研究的重要课题之一。

1研究意义

神经网络存在不足并需要改进，普通的改进方法对于神经网络的改善效果不是十分理想，人们便想到能否使用一种新的改善方法或者算法来改进网络。在神经网络应用较多的非线性拟合函数中，分别对BP和GA—BP的效果做比较，分析对比两者的结果，得出后者的优势。

混沌现象是生活中比较一种常见的现象，现实生活中交通流的理论认为，在路面上行驶的交通工具构成的复杂系统中，系统内部存在一种复杂关系，而且这些系统的最后结果会出现一种混沌现象产生。虽然交通流的混沌性很强，但是该系统还可以利用混沌理论解释里面的内容，因此可以短时预测流量。当混沌预测判断结果理想的时候，可以利用这种理论判定路面车流量，减少或者避免路途的拥堵、无序状态的发送。所以，对交通流的混沌现象做预测也是一个有价值的方向。

2遗传算法优化的神经网络

2.1 GA—BP网络原理

普通的BP神经网络中，由于随机产生的权值和阈值具有随机性，对网络的稳定性和误差均存在一定的偶然性。而GA—BP网络的目的就是减小、消除这种偶然性误差，图1是遗传算法优化BP神经网络的流程图，与普通的BP神经网络对比而言，GA—BP比普通的流程图多了虚线框内的遗传算法部分。

GA-BP网络的核心步骤和原理如下：对神经网络的参数进行编码，利用算法按照误差平方和最小的原则进行“适者生存”，再用优化的参数训练网络。图1流程图的步骤解释：

确定神经网络的结构；

根据网络结构，确定阈值、权值并编码；

对种群进行初始化；

对训练的样本进行归一化处理，送入神经网络；

计算BP神经网络的适应度函数，计算每一个个体的适应度大小；

通过选择交叉和变异得到下一代种群；

计算子代种群的适应度，在满足遗传终止条件的前提下，找到最佳的个体；

将上述步骤的最佳个体進行解码，分别赋值到神经网络的权值和阈值；

对BP神经网络重新训练，直到满足终止条件，保留结构并预测输出。

2.2 遗传算法的具体实现

（1）种群初始化及编码

按照前文的编码原理介绍，此处我们选择实数编码的方式，每一个个体均是一个实数。遗传算法优化的对象是神经网络随机产生的权值和阈值，所以我们要知道神经网络的结构和原理。按照结构模型获得的编码长度可以充分发挥编码的不重复性和有效性，保证了计算结果的有效性和合理性。

（2）适应度函数

由于本文的非线性拟合函数是神经网络的常用功能，所以适应度函数选择比较简单的计算方法，误差绝对值作为适应度函数。该函数可以直观的反应结果和实际的误差大小，是一种简单而有效地适应度函数。当我们的误差越来越小，表示适应度是越来越好。

（3）选择操作

遗传算法中我们的选择算子用的是前面说到的轮盘赌法，把每一个个体的适应度比例作为选择的策略，则每一个个体[i]选择的概率[pi]为：

[pi=fij=1Nfi] （1）

其中，[fi]为每一个个体的适应度。

（4）交叉操作

个体采用实数编码方式，所以此处的编码方式采用实数交叉法。

[ v1=chrom（index（1），pos）v2=chrom（index（2），pos）chrom（index（1），pos）=pick*v2+（1-pick）*v1chrom（index（2），pos）=pick*v1+（1-pick）*v2] （2）

（5）变异操作

具体的算法如下：

[gij=gij+（gij-gmax）*f（g） r>0.5 gij+（gmin-gij）*f（g） r≤0.5] （3）

上式中：[gmax]和[gmin]分别是基因的上下界，[f（g）=r1（1-gGmax）2]，[g]是当前的进化次数，[Gmax]是最大进化次数，[r]和[r1]均是为随机数。

（6）遗传算法的参数初始设置。

2.3 遗传算法与BP神经网络的结合

与算法的流程图相似，当用遗传算法得到的适应度满足结束条件的时候，我们会把该个体的编码对应的权值和阈值取出来，替代随机产生的权值和阈值。然后按照一般的神经网络算法的步骤对网络进行训练、预测。最后的评判标准是比较两者的误差大小。

2.4 GA—BP优化实验结果

从图2中可以看出，当我们的训练的次数进行到10次的时候，我们的网络便可以达到我们设置的训练目标而结束训练。文中我们设置的结束目标是目标误差达到0.00001，这里很快就会达到这个目标，所以结束训练。同样，如果设置结束的目标不是误差，而是训练的次数达到一定数量的时候，当训练的次数达到设置的次数时，网络也会终止训练过程。

（2）预测误差曲线图

图4所示的GA-BP的误差范围的绝对值均在0.05以内，预测的精确度相对基本的BP网络来说有了一定的进步改善。间接的表明：GA—BP中遗传算法对网络的确有帮助，减少了预测误差大小，提高了预测的精度。

3应用

在基于Java开发结合实际中交通流的情况，选择间隔时间段为五分钟，即每隔五分钟进行一次车辆统计。我们调出了合肥市某高速路口2016年9月份连续20天的数据，具体时间每天上午八点至十二点的车流量，按照五分钟的车流量为一个基本单位。与此同时，根据前文描写的基本步骤和方法，我们对系统的隐含层数目确定为15。利用软件平台设计出基于遗传算法优化的神经网络的车流量预测系统。测试数据如下：

图5是实际数据，图6是我们车流量的预测情况对比图。其中，上面曲线是未经优化的基本网络预测，下面曲线的是优化的神经网络预测的结果。

实际数据：227；226；229；214；218；221；225； 226；223； 218；213；229； 218；221； 225； 226；223；222；213；229

BP预测：243；253；235； 233；247；232；224； 224；220； 214；238；222；217；232；224；244；240；244；238； 232

GA-BP预测：214；236；230； 224； 228；229；230；231；231；220；211； 213；220；223；210；213；210； 221；221；240

经过对比数据分析误差绝对值，GA-BP的误差绝对值的范围比BP的绝对值要小。从而证明了后者优化的算法比未优化的要理想。

4结语

BP神经网络在逼近连续函数的能力方面的优势使得其在近年的研究领域越来越广泛。针对BP神经网络在这个方面的应用，从神经网络的预测结果来看，结果在一定的误差允许范围内，可以达到一定的效果。对于函数关系未知或者不能准确

建立输入和输出数学模型的函数逼近，其优势将更加明显。当我们需要改善算法的精度，提高实验要求时，需要引进一种新的算法，文中引入了遗传算法。结合BP神经网络和遗传算法的优势，我们采用了GA—BP网络，对同一个非线性函数进行预测。经过实验对比、分析，得到经过优化的算法的预测精度比没有经过优化的算法精度要高。同时，部分实验的性能也有所提高。这样，对于实际生活或者实验要求比较高的情况，算法可以得到他们的要求。

通过实验的结果对比，我们知道，算法的改善在神经网络中的确起到了作用。在实际生活中，我们可以对类似的问题进行预测，争取将该网络应用在越来越多的领域。

参考文献：

[1]蔡自兴，徐光祐.人工智能及其应用[M].北京：清华大学出版社，2004.

[2]Stephanedes V J，Michalopoulos P G. Improved estimated of traffic flow for Real-Time control [J]. Transportation Research Record， 1981，795： 28-39

[3]陈淑燕.交通量預测方法和多相位交通信号模糊控制技术研究[D].南京：东南大学，2003.

[4]孙燕.服务于交通流诱导系统的动态路径选择模型与方法研究[D].南京：东南大学，2003.

[5]李宏萍.城市快速路交通流分形特征研究[J].土木工程学报，2006，31（5）：97-99.

[6]Pipes L A. An operational analysis of traffic danamics [J]. J. Appl. Phys. ， 1953， 24（3）：274-281.

[7]Tchrakian T.， Basu B. Real-time traffic flow forecasting using spectral analysis [J]. IEEE Transactions on Intelligent Transportations Systems， 2012，13（2）：519-526.