大气监测优化布点的遗传BP法

一⋯V柚．7．No．4AI．，1999大气监测优化布点的遗传BP法‘陈云浩郭达志、周廷刚(中国矿业大学北京研究生部78#。北京1000S3)●。_。_。_。●--。●一--。__-。_。。●。_一摘要X。车支薯I介绍一种薪的优化布点的方击——遗传BP算告和构造谈算告的步■。应用宴饲表田遗传BP算告用于环羹监优也布点是十分理担的·h、．厶，抽调型兰苎竺犬／L．2,,w--I————～—————。_、————————-’、．I■，’'1环境监测中如何优化采样点是一个十分重要的技术问题。优化布点的目的在于用步量的测点尽可能合理、准确、完整地反映污染的时空分布和演变规律。常用的优化布点法有系统聚类法．模糊优化【|]．物元分析法c】等。这些方法都未能很好地解决多因素指标之间非线性投值分配问题。近年来发展起来的神经网络法能够向不完整，不精确并具有噪声的样本学习神经网络具有非常强的容错能力．能够从有限的信息中得出最优解。显然人工神经网络提供了揭示复杂性系统相关关系的有效方法。因而本文介绍基于人工神经网络的优化布点的方法，分析人工神经网络中的不足，井提出改进方法。一、BP网络BP由多个节点的输入层，隐含层和输出层组成。训练过程由正向和反向误差传播过程组成。其基本步骤如下：1)韧始化网络层之间节点的连接权值及隐含层和输入层的阚值；2)读入训练样本；3)信息正向传播．得到输出节点的输出值；4)计算期望输出与输出值之间的误差；反向计算隐含层节点的误差；5)调整权值和阚值使误差减步；6)重复2～5步直到误差足小。·蕾塞自嚣科学基~(49871069)竟助嘎茸墨轴^隐居籍出固1反传学习过程原理固维普资讯http://www.cqvip.com92砾云浩等：大气监测优化布点的遗传丑P法7卷BP网络已在工程、医疗、交通、通讯、图象处理、模式识别等领域得到广泛应用。但传统的BP网络存在以下主要问题：1)学习算法的收敛速度过慢；2)采用梯度下降法，可能会陷入局部极小点而达不到全局最优解。二、遗传BP算法1．遗传算法遗传算法GeneticAlgorithms)是由密切根大学Holland创立的，来源于达尔文的自然界生物进化思想，现发展成为一种自适应启发式概率性迭代式全局搜索算法口J。用遗传算法求解问题通常包含以下步骤：1)编码选择一定的编码策略，将参数转换成字符串表达。这些字符串相当于遗传学中的染色体。2)计算适应度定义申的适应度函数F=f(x)；适应度函数是目标函数的映射。反映个体之间的相对优劣程度。3)复制根据申的复制概率进行复制染色体。适应度高的染色体被复制的概率应高；适应度低的被复制的概率低，从而保证物种的进化。4)交换随机配对选出杂交母体．在染色体上随机选择一位置进行交叉换位。5)突变以一定概率的方式将染色体上的某位基因进行逆变。以模仿生物中基因突变。基因突变正是遗传算法实现全局寻优的重要手段。6)循环跳至步骤2。反复执行．直到满足特定指标或一定的遗传代数。2．遗传BP算法BP算法中网络模型的拓扑结构的选择一直是一个十分敏感的问题。恰当的拓扑结构和合理的参数配置。会使网络效率成倍提高；反之将会出现各种意想不到的后果。通过上节的介绍．可以看出用遗传算法来确定BP算法的网络拓扑结构是合理的。以三层BP网络为倒说明遗传BP算法实现步骤。Stepl初始化表示BP拓扑的染色体结构Step2使用初始化的BP拓扑结构分别进行训练．然后根据输出结果与实际结果的误差进行排序，实质上是计算各个BP拓扑的适应度。表IBP拓扑的染色体结构色体12⋯n障音节点戴xJX：K动量园子Y1Y-Y_学习连庄Z。墨Z。精^样卒l编码、韧始化染色体l厂—一解码·解染色体为f扑结构显参数散蝻摊新的蛰色体交配他＼误薯辜囊／Yi{卣出用珞拓扑结构显参数圈2遗传BP算法原理维普资讯http://www.cqvip.com4期陈云浩等：大气监优化布点的遗传BP洼Step3按遗传算法方法进行下一代染色体的生成。保证好的BP拓扑结构和参数能够有效地被复制．为避免局部极小问题，并按比例发生基因的突变。Step4重复2．3步骤直至BP拓扑结构和参数达到要求。由这种遗传BP算法确定的拓扑结构和参数能够克服传统BP算法的缺点。。‘三、基于遗传BP算法的测点优化本文采用的数据引自文献3。根据4种污染物监测值，构造神经网络的标准训练样本集。A：{)【i=min)【ii；i∈m，j∈11}(最轻污染样本)B：l=max)【ii；i∈m，j∈11}(最重污染样本)C：{)【i=∑／n}(期望点样本)l。1式中i=l，2⋯11；口一监测指标数目；n—一采样点数目其具体样本值见表2。裹2大‘【采样点监晨I值{reedm】】叠BP网络i1日练样本值由于4种监测指标的取值范围不一致．为了避免不同指标之问的相互掩盖，需对输入原始