嵌入遗传算法的神经网络技术在煤炭销量预测研究中的应用

论文摘要

随着市场化的快速发展,煤炭企业采用的主观经验预测方法难以准确的对其煤炭销量进行预测。为减少决策失误,避免仓储积压或库存短缺,提高预测精度,对煤炭销量预测方法的研究显得尤为重要。本文针对我省某大型煤炭企业,根据实际问题特点,采用改进的BP算法、用遗传算法优化其连接权值,并实现了该预测方法在煤炭企业销售管理中的应用。论文主要完成了以下工作内容：(1)提出了基于神经网络的煤炭销量预测方法。从企业煤炭销量预测的实际问题出发,通过对煤炭销量变化特点以及煤炭销量预测方法的研究分析,提出了利用神经网络技术进行煤炭销量预测的方法。(2)建立了嵌入遗传算法的三层改进BP (Back Propagation)网络的煤炭销量预测模型,并对预测模型进行了预测实例分析。通过对BP算法在权值优化过程中存在的缺陷分析,本文在研究改进的BP算法基础上,建立了三层改进BP网络(LM法)预测模型,解决了网络收敛速度慢的问题；详细设计了BP网络拓扑结构,通过试验比较的方法确定模型参数；利用遗传算法的全局搜索性优化网络连接权值,解决了训练过程易陷入局部极小点的问题；详细设计了编码方式和遗传算子。最后利用预测模型进行实例分析、对比。(3)在模型输入参数选择上做了有益尝试。通过对企业销售市场的分析,结合主要耗煤部门预测的思想对模型输入参数的选择做了深入的研究。参数的选择覆盖了该企业煤炭销量的多个影响方面,比较全面的反映了模型接受煤炭销量变化的信息量。并根据输入样本数据的特点,对数据预处理方法进行了分析设计。(4)完成了煤炭销售管理子系统的设计与实现。在上述研究的基础上,将煤炭销量预测方法应用到了煤炭销售管理中。对煤炭销售管理子系统总体框架、系统结构、数据库、功能模块进行了分析设计,并实现了预测方法在企业煤炭销售管理中的应用。理论分析和实验结果表明,神经网络用于煤炭销量的预测是可行和有效的,有着非常良好的前景,而嵌入遗传算法的神经网络技术更提高了运算的速度和预测的可靠性。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题背景与来源
• 1.2 销量预测方法的研究
• 1.3 研究内容
• 1.4 论文结构安排
• 第2章 相关理论概述
• 2.1 神经网络
• 2.1.1 神经元
• 2.1.2 学习方式
• 2.1.3 拓扑结构
• 2.1.4 神经网络的特点
• 2.1.5 BP算法的基本思想
• 2.1.6 BP算法的推导
• 2.2 遗传算法
• 2.2.1 基本思想及步骤
• 2.2.2 编码方式
• 2.2.3 核心技术
• 2.2.4 遗传算法的优点
• 2.3 本章小结
• 第3章 嵌入遗传算法的神经网络模型设计
• 3.1 遗传算法优化神经网络的分析
• 3.1.1 优化网络的连接权值
• 3.1.2 优化网络的拓扑结构
• 3.1.3 优化网络学习规则
• 3.2 遗传算法优化BP网络的思路
• 3.3 遗传算法优化BP网络的模型设计
• 3.3.1 改进的BP算法
• 3.3.2 BP网络的设计
• 3.3.3 遗传算法的设计
• 3.4 嵌入遗传算法的神经网络算法设计
• 3.5 嵌入遗传算法的神经网络算法具体步骤
• 3.6 本章小结
• 第4章 煤炭销量预测应用
• 4.1 煤炭销量影响因素的确定
• 4.2 样本数据
• 4.2.1 样本数据的获取
• 4.2.2 样本数据预处理
• 4.3 嵌入遗传算法的改进BP网络预测实例
• 4.3.1 建立网络模型
• 4.3.2 参数选择
• 4.3.3 训练实验及结果分析
• 4.4 改进的BP网络预测实例
• 4.4.1 训练实验及结果分析
• 4.4.2 网络模型比较
• 4.5 算法实现
• 4.6 本章小结
• 第5章 煤炭销售管理子系统的设计与实现
• 5.1 系统设计目标
• 5.1.1 总体目标
• 5.1.2 销售管理子系统目标
• 5.2 系统总体设计
• 5.2.1 开发环境
• 5.2.2 系统架构
• 5.2.3 系统功能结构
• 5.3 数据库设计
• 5.3.1 数据库表设计
• 5.3.2 数据库表关系
• 5.4 系统功能设计与实现
• 5.4.1 销售信息管理模块
• 5.4.2 销售情况查询模块
• 5.4.3 销量预测分析模块
• 5.5 本章小结
• 第6章 结论与展望
• 6.1 工作总结
• 6.2 未来展望
• 参考文献
• 致谢
• 附录
• A.1 数据表