改进的LCFOA-BP模型在我国智能制造业经营绩效预测上的应用

林建邦 王天

摘要：随着人工智能技术在全球迅速发展，国内的传统制造业开始积极向智能制造方向转型，制造业智能化转型后的经营绩效成为企业关注的重要课题。本文主要基于改善果蝇演算法（FOA）容易陷入局部极值与气味浓度为正值的两大局限上，提出一种新的LCFOA演算法进行经营绩效预测模型的优化。本文以国内智能制造业为研究对象，分别建构了基本的反向传递神经网络（BP）、优化的FOA-BP以及改进的LCFOA-BP经营绩效预测模型。结果显示，LCFOA-BP模型的预测精度与建模效率最佳、FOA-BP次之、BP最差。由此可证明，LCFOA能有效提升经营绩效模型的预测能力，有助于在我国智能制造业经营绩效上的预测与应用，以确保国内制造业智能化转型的永续发展。

关键词：LCFOA;人工智能;人工神经网络;智能制造;预测模型

中图分类号：F272;F224 文献标识码：A 文章编号：1007-9416（2019）04-0084-03

0 前言

随着《中国制造2025》和《智能制造发展规划（2016-2020年）》的出台，传统制造业向智能制造方向转型成为我国实施制造强国的重要战略。许多传统制造企业开始扩大对智能制造的投入，积极参与人工智能应用与程序的开发，一方面加快了智能制造的研究与实践，另一方面也加速了产业的扩张。根据前瞻产业研究院研究报告指出，近年来中国智能制造行业产值每年以超过22%的比例持续增长，至2017年为止，国内智能制造行业产值规模将近1.5万亿元，是我国呈现较快增长的产业之一[1]。然而，在智能制造业高速发展的情况下，企业的经营绩效如果没有获得有效的评估与预测，企业的成本和经营状况很容易失控，造成经营上的危机。因此，为了确保国内智能制造产业的永续发展，建构一套适合中国智能制造产业的经营绩效预测模型是非常值得研究的一项课题。

人工智能时代的来临使得数据的商业价值在产业界不断地被开发与提升，传统的统计分析方法已无法满足企业的需求。此时，有一部分学者开始利用自然界或生物界中对于事物判断的一些规律或机制，透过数据演算的寻优过程找出最优解，有效提升研究结果的精确性，此类方法称为群体智能优化算法，而果蝇优化算法（fruit fly optimization algorithm，FOA）是近年来较广泛被讨论的方法之一。FOA是由学者潘文超于2011年根据果蝇飞行觅食的过程设计提出的一种群体智能优化算法[2]。FOA与其他群体智能优化算法相比，具有易于理解、易于计算、全局寻优能力强等优点[3]，应用价值相对较高，现已被应用到许多领域的研究之中，诸如：金融预警模型[2]、交通流量预测模型[4]、电力负荷预测[5]等等，FOA都有不错的优化表现。然而，虽然FOA在不同领域受到广泛应用，但由于自身演算法设计的限制，导致FOA存在容易产生局部极值[6]与浓度判定值无法为负数的局限[7]。

因此，本文在同时考虑上述实际应用与理论背景所面临问题的基础上，提出一种改进的果蝇优化算法——logit-cosine-FOA（简称LCFOA）来改善FOA的局限性，并与FOA优化结果进行比较，确认LCFOA的有效性;另一方面，以国内智能制造业为研究对象，实际应用LCFOA优化来建构适用于中国智能制造业的经营绩效预测模型，并找出影响智能制造业经营绩效预测的指标体系，提升国内智能制造产业的发展，达成以“中国智造”创新强国的实践目标。

1 改进的果蝇优化算法（LCFOA）

根据前述指出的FOA局限问题，本文以改善FOA的研究思路为出发点，提出一种改进的LCFOA方法。LCFOA主要通过以下两种方式的改进，解决FOA容易陷入局部极值与浓度判定值无法为负数的问题。LCFOA方法的完整说明如下。

1.1 搜索策略的改变

FOA极值的出现与搜索步长有非常大的关系。搜索步长越大，个体果蝇的搜索空间越大，全局搜索能力越强，但局部搜索能力会降低，可能造成无法收敛的情况;相反地，步长越小，个体果蝇的搜索空间越小，局部搜索能力越强，则容易陷入局部极值。由此可知，FOA在进行搜索的过程中，果蝇以其搜索距离为步长随机搜索食物，若搜索步长变化幅度过小或固定，则存在容易陷入局部极值的情况。因此，适当地对搜索步长进行调整是控制极值出现的重要关键。

本文通过两阶段方式，以固定比例逐渐增加或缩小的方式调整搜索步长，避免LCFOA发生陷入局部极值的问题。第一阶段为增加步长过程：搜索步长以1.1的倍数不断增大，逐步扩大搜索空间，主要在提升LCFOA的全局搜索能力;然而，由于步长的不断增大可能造成无法收敛，找不到优化极值。因此，在搜索过程中会进行第二阶段的减小步长过程：搜索步长以0.9的倍数不断缩小，使LCFOA找到优化极值。搜索步长的改变方式如公式（1）-（6）所示。

1.2 浓度判定值的转换

FOA定义浓度判定值为果蝇与原点之间的距离经过倒数转换而得，取值的范围越大，求解问题的能力越好。有鉴于FOA浓度判定值存在非负值的局限性，导致其无法求解包含负值的最佳化问题。由于logit函数的取值范围为（-∞，∞），且适用于非线性模型的求解问题，因此，本文提出以logit作为浓度判定值的转换函数，有效地解决了FOA浓度判定值只能为非负值的问题，同时扩展搜索空间到（-∞，∞）。值得一提的是，由于logit函数的定义域为（0，1），本文遂先将距离通过cosine函数转换获得（0，1）的取值范围，再进行logit函数转换，以确保浓度判定值的可得性。综上所述，本文基于FOA提出以logit函数结合cosine函数进行浓度判定值转换的优化算法，称为LCFOA。以下针对LCFOA浓度判定值转换方法进行完整说明。

2 实证研究

2.1 研究思路与技术路线

本文旨在构建我国智能制造业经营绩效预测模型。首先，收集智能制造产业发展现状、政府政策以及相关文献的基础上，发现产业目前面临的重要问题并确立基本研究思路。然后，选取国内上市智能制造业2012-2017年的数据，并进行相关的数据清理工作;同时，为了消除变量间的量纲关系，将取得的数据归一化为0到1之间。再者，为了确认预测精度的稳定性，本文采用10折交叉验证（10-fold cross validation）方法，将企业分割为独立的10份，每次取9份企业的2013-2016年数据作为训练集（training data），其对应企业的2017年数据作为测试集（testing data），共计各有10组训练集与测试集样本，并采用神经网络中应用最广泛的反向传递（Back propagation，BP）建立预测模型，分别以FOA及LCFOA优化BP模型。因此，共计有BP、FOA-BP和LCFOA-BP三种方法的60个智能制造业经营绩效的预测模型（20组数据集*3种方法）。最后，将所有建模结果进行汇总与对比，确认LCFOA的優化效果，并找出适合我国智能制造业经营绩的效预测模型。

2.2 样本数据和变量

根据《智能制造发展规划（2016-2020年）》的发展重点，将业务项目涵盖智能设备、智能产品、互联网产业、工业软件、3D打印、新能源、新材料等领域的企业定义为智能制造企业。最后，通过Wind数据库，本文选取了1 334家智能制造企业2012-2017年间的数据，共计有6 297笔数据。

在杜邦公司的分析中，净资产收益率（Rate of Return on Common Stockholders Equity，ROE）是财务指标的核心，用来评价企业的盈利能力和业绩，是衡量企业经营绩效的主要指标。因此，将ROE作为本研究中的因变量（dependent variable）。另外，根据过去文献并透过数据库整理出：当年度研发密集度、每位研发人员所拥有资源、研究发展强度、主营业务比率、员工生产力、员工附加价值、R&D人员比例技术人员占比，以及全部资产现金回收率8个影响公司经营绩效的重要财务指标，作为本文的自变量（independent variable）。

2.3 预测模型建构与比较

BP神经网络具有高度的学习能力，是目前在金融财务领域上较广泛应用的神经网络训练算法之一。由于BP算法中的权重和阈值为影响模型预测能力的关键参数，找出最佳参数组合将有利于模型预测能力的提升。FOA在过去多数文献中被证实能有效提升BP模型的预测能力，然而，本文在基于改进FOA局限性的基础上，提出一种新的LCFOA优化BP算法中的权重和阈值，以建构出相对于FOA更佳的经营绩效预测模型。

本文建构的经营绩效预测模型设定如下：BP神经网络的输入层有8个神经元，隐藏层为一层且有5个神经元，输出层有1个神经元;同时，FOA的果蝇种群大小设置为10，优化迭代次数为50。如前所述，本文采用10折交叉验证方法分别建构BP、FOA-BP和LCFOA-BP三种方法的预测模型，最后，分别计算汇总三种预测模型的10组数据的均方根误差（RMSE）、标准差（STD）和运行时间的平均值，并进行预测性能的比较。

表1为本文建构的BP、FOA-BP和LCFOA-BP模型预测能力汇总表。由表1可知，与BP相比，FOA-BP模型和 LCFOA-BP模型在RMSE、STD指标上均优于BP模型。进一步将LCFOA-BP模型与FOA-BP模型进行比较后，LCFOA-BP模型的RMSE下降速率大于FOA-BP;同时，其建模时间平均值小于FOA-BP模型的平均运行时间（见表1中的灰色）。这意味着在三种预测模型中，LCFOA-BP模型的预测精准度最高且效率最好。因此，证明本文提出的改进果蝇优化算法（LCFOA）是有效的，LCFOA-BP模型是最適合我国智能制造企业经营绩效的预测模型。

3 结语

本文旨在通过建构有效的经营绩效预测模型来维持国内智能制造业的高度发展，研究结果显示，本文在改进FOA局限的基础上提出的LCFOA，优化能力更好，更有效率;同时，对比于BP与FOA-BP而言，LCFOA-BP更适合应用于国内智能制造业经营绩效预测上模型。另外，本文根据文献探讨所挑选的8个建模变量：当年度研发密集度、每位研发人员所拥有资源、研究发展强度、主营业务比率、员工生产力、员工附加价值、R&D人员比例技术人员占比以及全部资产现金回收，所建构的模型预测模型误差皆很低，证明前述指标对于建构智能制造业经营绩效预测有显著的影响。因此，可借由对上述指标的管理与调整，例如：通过研发智能制造程序改善生产效能，生产更多适合市场需求的人工智能产品或服务，提高企业的经营绩效。

最后，本文提出的LCFOA方法的运行程序简单，易于理解，应用范围更广，可作为后续学者的参考依据，同时也可作未来研究的方向，将LCFOA进一步应用于不同预测模型或不同领域之上。

参考文献

[1] 陆澜清.2017年中国智能制造行业发展现状与市场规模分析[EB/OL].（2017-12-08）[2019-01-20].https：//www.qianzhan.com/analyst/detail/220/171208-fd6b824b.html#comment.

[2] 潘文超.应用果蝇优化算法优化广义回归神经网络进行企业经营绩效评估[J].太原理工大学学报（社会科学版），2011，29（4）：1-5.

[3] 刘立群，韩俊英，代永强，火久元.果蝇优化算法优化性能对比研究[J].计算机技术与发展，2015（8）：94-98.

[4] Cong， Y.， Wang， J.， Li， X.. Traffic flow forecasting by a least squares support vector machine with a fruit fly optimization algorithm. Procedia Engineering，2016，137：59-68.

[5] Hu， R.， Wen， S.， Zeng， Z.， Huang， T.. A short-term power load forecasting model based on the generalized regression neural network with decreasing step fruit fly optimization algorithm.Neurocomputing，2017，221（C）：24-31.

[6] Zhang， Y.， Cui G.， Wu， J. Pan， W.T.， He， Q.. A novel multi-scale cooperative mutation fruit fly optimization algorithm. Knowledge-Based Systems，2016，114：24-35.

[7] Babalk， A.， can， H. Babaolu， .， Gündüz， M.. An improvement in fruit fly optimization algorithm by using sign parameters.Soft Computing，2018，22（22）： 7587-7603.