應用遺傳演化神經網路於成衣銷售預測之研究

《應用遺傳演化神經網路於成衣銷售預測之研究》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第一屆台灣作業研究學會學術研討會暨2004年科技與管理學術研討會應用遺傳演化神經網路於成衣銷售預測之研究巫沛倉、魏乃捷、黃保源、洪永耀工業工程與管理學系義守大學高雄縣大樹鄉學城路一段1號e-mail:pwu@isu.edu.tw摘要：本研究旨在運用人工智慧中之類神經網路及遺傳演算法來建構一成衣業的銷售預測模式，並運用參數設計來探討倒傳遞神經網路與遺傳演化神經網路的最適參數設定，並比較其收斂速度和效果，進而比較何種網路架構將可得到較佳之預測結果。研究結果發現，遺傳演化神經網路的預測表現優於倒傳遞神經網路，但也花費了較長的時間。關鍵字：類神經網路、倒傳遞神經網路、遺傳演算法壹、緒論「類神經網路」

2、係模仿生物神經網路之資訊處理系統。使用大量之人工神經元模擬生物神經元，藉由此大量之人工神經元，做快速、平行之運算。在各種類神經網路模式中，又以「倒傳遞神經網路」應用最廣，其原理乃是利用最陡坡降法之觀念，將能量函數（誤差函數）予以最小化。類神經網路無須假設母體分配，能自我調適權值且具有平行處理與學習回想的能力，可以解決複雜的非線性問題，藉由網路之預測值與目標值之差距，調整連結上之加權值，經過重複訓練後，使網路之差距達到最小，且使加權矩陣達到穩定為止。除了類神經網路外，近年來越來越多人使用遺傳演算法來求解最佳化問題。遺傳演算法是一種模擬生物基因演化的人工模型。在這種模型中，問題的解答被巧妙地安排

3、成一串數值，用來模擬染色體(chromosomes)中的一串基因(genes)。遺傳演算法不需要設計靈敏的數據資料，因此可節省相當多的時間；再者，遺傳演算法是一種隨機的搜尋方法，且搜尋方式是多個點同時進行，而非單一點，相較於倒傳遞神經網路而言，遺傳演算法有較好的機會獲得全域最佳解。用來預測未來數據的方式有很多種，本研究擬使用類神經網路中含有預測功能的「倒傳遞神經網路」(Back-PropagationNeuralNetwork；BPNN)與應用「遺傳演算法」(GeneticAlgorithm；GA)於類神經網路之訓練，來做問題最佳化的預測。遺傳演算法與類神經網路最大的共同性質在於大量的平行性

4、。大量的資料處理對於模擬人類思維而言是最大的挑戰。對於遺傳演算法來說，許多的染色體成員可以分給好幾個不同的處理器來進行運算，在需要交互參考時再進行溝通。而對於類神經網路而言，許多的節點就像是一個個的處理器，可以同時地接受輸入訊號並產生輸出。但是，在類神經網路模型中，許多同一層的節點彼此是互不相關的，要找到這些節點各自的最佳連接權值，常常需要學習很長的一段時間。即使找到了最佳解，往往也只是區域最佳解(Localoptimal)。因此遺傳演算法可幫助類神經網路跳出區域最佳解，藉著不同的連接權值範圍之間的交配與突變，學習可以在一個新的值域開始。因此，本研究旨在運用人工智慧中之類神經網路及遺傳演算法

5、來建構一成衣業的銷售預測模式，並運用參數設計來探討倒傳遞神經網路與遺傳演化神經網路的最適參數設定，並比較其收斂速度和效果，進而比較何種網路架構將可得到較佳之預測結果。貳、文獻探討一、倒傳遞神經網路類神經網路之研究起始於McCullosh和Pitts兩人所提出來結合神經生理學以及邏輯數學的神經網路模型。之後，Hebb在其著作TheOrganizationofBehavior中發表了神經生理的學習，乃是由於神經元之間的突觸(synaptic)產生了變化所致。往後運用此資訊發展出可訓練學習之認知481第一屆台灣作業研究學會學術研討會暨2004年科技與管理學術研討會器(percptron)並從事於文

6、字辨識方面的工作。其後，Widrow和Hoff更進一步發表適應線性元件(adaptivelinearelement)，使用最小誤差法(LMS)來訓練網路學習。（施柏屹，民國89年）往後的數十年中類神經網路不斷的發展出針對不同問題適用的學習網路，其中Rumelhart和PDP研究群提出倒傳遞神經網路，此種類神經網路屬於多層的認知網路，具有非線性運算能力來處理相當複雜的資訊，其目的在於將某個帶推估的範例輸入後，網路能做出預測或是分類的工作。在改良倒傳遞類神經網路演算法則上，由早期的類神經網路中初始鍵結值設定在較高時，能夠改進學習的速率，然而最佳的初始值範圍設定則是因問題而定。Kruschke(1

7、991)將一個增益參數加入基本的倒傳遞法則中，則可以讓鍵結值有正規化的作用以增進效能。IvanovaandKubat(1995)利用決策樹來初始設定類神經網路。Zhaoetal.(1996)發展出OHLO(OptimizingtheHiddenLayers’Outputs)法則，將個別的類神經層獨立，分別對其中的鍵結值以及輸入項作最佳化的修正，再往前推算，以改進類神經網路。往後結合鍵結值演進法則（weight