护理安全
内蒙古工业大学学报
J O U R N A LO FI N N E R MO N G O L I A 第38卷 第1期U N I V E R S I T Y O FT E C HN O L O G Y V o l .38N o .12019
文章编号:1001-5167(2019)01-0051-08
收稿日期:2018-12-30基金项目：国家科技支撑项目(2015B A G 19B 02
)作者简介：刘金荣(1988-)
，男，在读硕士研究生，研究方向：云计算与大数据分析. *通讯作者：冯永祥(1962-)，男，副教授，研究方向：云计算㊁数据挖掘及软件工程.基于神经网络优化算法的库存预测应用研究 刘金荣，冯永祥*，武星宇
网上冲印系统(内蒙古工业大学数据科学与应用学院，内蒙古呼和浩特010080
)摘要：在药品流通领域中，企业及时供货可以提高合作商的满意度，较为科学的库存需求预测方法
显得非常重要.神经网络算法模型是一种自适应系统，具备自学习功能，可以从已知数据中自动拟中国移动北京公司网上营业厅
合出数据之间具体的非线性关系.以医药企业药品库存历史数据为基础，把库存历史数据分成训
练集㊁验证集和测试集，在神经网络模型训练过程中结合遗传算法优化预测模型，并用测试集完成
模型预测效果验证，预测结果就是未来一周的库存需求量.通过库存预测应用研究，可以为企业制
定合理的药品采购计划提供参考.关键词：库存预测；神经网络算法；遗传算法
石家庄七一学校中图分类号:T P 183 文献标识码:A
在现实中，医药企业无法准确预测医院或药店等买方市场的药品需求量，导致这种现象的原因是药品的需求量与企业药品的库存量不成正比例关系.一种传统解决方案是通过设置库存警戒线来提醒企业补货，这种方式存在人为误操作和不及时性.另一种解决方案是通过已知的数据学习得到具体的数学关系，用这种寻历史数据之间相关性得出的线性数学模型来预测药品需求量，会出现预测值有误差和预测精确度不高的问题.这两种方案已经很难满足现实医药企业对库存预测要求.人工神经网络作为一种通用性更强的非线性模型，可以模拟人类的大脑思维，且具有自组织学习能力㊁决定能力和判断能力.因此本文使用人工神经网络进行库存需求量预测，为药品流通领域提供了一种库存预测解决方案.1 相关算法理论
神经网络算法是一种自学习适应系统，会在外部信息的作用下改变其自身的权值和阈值参数.传统神经
网络模型使用负梯度下降算法进行模型训练，具有不能搜寻到全局最优解㊁容易陷入局部极值的缺
陷[1].因此，近年来出现了众多智能算法优化的神经网络模型，如遗传算法优化的神经网络模型㊁粒子算法[2]优化的神经网络模型㊁鱼算法优化的的神经网络模型㊁免疫算法优化的神经网络模型㊁思维进
化算法优化的神经网络模型[3]㊁蚁算法优化的神经网络模型[4].在众多的智能算法优化[5]中，遗传算法优化的神经网络模型具有非线性映射能力和很强的泛化能力，可详细描述复杂的非线性关系和不确
定性因素，因此选择遗传算法优化的神经网络模型作为库存预测的应用研究[6]，并对该模型的理论基础知识进一步概述.
捷克斯洛伐克电影1.1 神经网络算法
1.1.1 神经网络概念神经网络(N e u r a lN e t w o r k ,N N )
是一种模仿生物神经网络的结构和功能的数学模型或计算模型，由大量的节点(或称 神经元 或 单元 )以及之间的相互连接构成.每个节点代表一种特定的输出函数,
称为激活函数.每两个节点间的连接都代表一个对于通过该连接信号的加权值，称为权重(W e i g
h t )，这相当于神经网络的记忆[7].网络的输出值则依据网络结构的连接方式㊁权重值和激活函数不同而改变.1.1.2 人工神经元模型人工神经元实现了生物神经元的抽象㊁简化与模拟，它是人工神经网络的最小的处理单元，大量神
经元互连构成庞大的神经网络才能实现对复杂信息的处理与存储，并表现出各种优越的特性[8].以下是人工神经元模型，模型中f (㊃
)为激活函数，如图1所示
.图1 人工神经元模型
F i g .1 A r t i f i c i a l n e u r o nm o d e l 1.2 遗传算法1.2.1 遗传算法的历史
遗传算法(G e n e t i cA l g o r i t h m ,G A )由美国密歇根大学的H o l l a n d 教授于1975年在其专著A d a p t a -t i o n i nN a t u r a l a n dA r t i f i c i a l S y s t e m s 中正式提出.其基本原理是模仿生物界中的 物竞天择㊁适者生存 的演化原则来搜索最优解的全局优化随机搜索.遗传算法模拟自然界遗传和进化过程中发生的繁殖㊁交
叉和基因突变现象来随机搜索全局最优解而形成的一种智能算法，在循环迭代中都保留一组候选解，并按某种指标从种中选取较优的个体，通过选择㊁交叉㊁变异等遗传操作对这些个体进行组合，逐渐产生
新一代的候选种.重复此步骤，当满足某种收敛指标才停止[9].种演化过程中都会评价个体优劣并得到其适应值，保留优秀个体，淘汰劣质个体，逐渐搜寻到最优种个体，个体在选择㊁交叉以及变异算
子的作用下向更高的适应度进化，达到实际问题最优解的目标.面对求解复杂问题，遗传算法无需建模和进行复杂计算，利用选择㊁交叉㊁变异三种操作就能得到最优解，具有渐进性寻优㊁高度并行㊁较强的鲁
棒性㊁易于与其他算法结合等特点，如今已应用于各个领域[10-11].
1.2.2 遗传算法的基本概念20世纪60年代,H o l l a n d 教授认识到生物的遗传和自然进化现象与人工自适应系统的相似关系,
提出用体进化模拟适应性系统的思想，引入基因㊁染体㊁种㊁适应度㊁选择㊁交叉㊁变异等基本
概念[12].基本概念中的基因是一个D N A 分子片段，片段上面有很多遗传信息，上面分布的信息是用来控制生物体性状的基本遗传单位.染体中包含一定数目的基因，是基因的物质载体，因而染体也是细胞
中遗传信息的物质载体，是生物体中拥有遗传特性的物质.种(P o p u l a t i o n )是某个物种按一定数量的个体组成的集合，组成某个物种的所有个体总和就称作种.适应度是用来衡量种中每一个个体的优
劣程度，也是衡量每个个体对其生存环境的适应能力的标准.选择(S e l e c t i o n
)则是自然界中的生物进化，是通过达尔文的 适者生存 法则对个体进行选择的，在选择算子的作用下，种[9,12]的整体质量得到逐步提高.基本概念中的交叉(C r o s s o v e r
)操作也是源于生物学的原理，交叉操作用来模拟生物进化过程中2
5内蒙古工业大学学报2019年
基因重组的过程.基本概念中的变异(M u t a t i o n
)表示生物在自然进化过程中，其个体性状并不是一成不变的，而是会随着周围环境的变化发生一些轻微的变化.
1.2.3 遗传算法的基本步骤遗传算法的具体操作步骤如图2所示:
图2 遗传算法基本步骤流程图F i g .2 T h e f l o wc h a r t o f b a s i c s t e p s o f g e n e t i c a l g o r i t h m 遗传算法实际作用对象是种,
种中的每个个体对应于现实生活中所要求解的实际问题的一个解.每个个体在微观层次通常称作染体，染体可按一定形式(如二进制位串或符号的排列形式)编码来表示一个解.遗传算法通过对所有个体进行选择㊁交叉和变异等进化操作，使个体和种的适值不断改进，从而达到改善或解决实际问题的目的.2 模型构建
2.1 B P 神经网络模型的缺陷B P (b a c k p r o p a g a t i o n )神经网络是R u m e l h a r t 和M c C e l l
a n d 在1986年提出的,B P 神经网络是一种采用误差反向传播训练算法的前馈型网络，是目前为止应用最为广泛的神经网络.它能够自我学习，自我组织，拟合任意非线性函数.传统B P 神经网络模型是按照梯度下降的方式修正网络权值和阈值,
易陷入局部极值，不能搜寻到全局最优解的缺陷[13].
正因为传统的神经网络学习算法具有一定的缺陷，才不断对其进行优化改进，改进方案应用到实际企业业务中，以满足库存预测的需求量.
2.2 遗传算法优化神经网络算法的模型构建因为B P 神经网络的学习采用梯度下降算法，最优解易陷入局部极小化，而使用遗传算法从全局寻最优权值和阈值，可优化B P 神经网络初始值.遗传算法还可以加快求解速度，容易与B P 神经网络算法结合，不会陷入局部最优，适应能力强，具有较好的收敛性.因此，可以利用遗传算法优化B P 神经网
络[14]进行模型构建.模型构建具体流程如下:
(1)数据预处理.清理历史数据为负值的脏数据，用零填充相应位置，同时不同变量间存在较大的数量级差别，必须对数据进行归一化处理以消除数据量纲，否则，数据量级差别会造成网络预测误差较大.所以，将数据归一化到[0,1]区间，计算公式:x i =2(x i -x m i n )/(x m a x -x m i n )-1(1)式中x m a x ㊁x m
i n 分别为数据序列中的最大值和最小值.(2)网络结构选择.网络结构包含三方面的内容：输入层㊁输出层节点数选择㊁网络隐含层数的选择及每个隐层神经元数的选择[15].
网络结构层与层之间采用全连接方式，同一层单元之间不存在相互连3
5第1期刘金荣等 基于神经网络优化算法的库存预测应用研究
接.选择网络结构输入层为30，代表一个月的历史库存数量；输出层节点数为7，代表预测一周之内每天的库存量；隐含层节点数的确定，相关的经验公式有:m =n +l +a ㊁m =l b n ㊁m =n
l .
公式中的m 为隐含层节点数,n 为输入层节点数,l 为输出层节点数,a 为1~10之间的常数.
神经网络结构拓扑如图3所示：图3 神经网络拓扑结构图F i g .3 T h e a r c h i t e c t u r e d i a g r a mo fN e u r a lN e t w o r kT o p o l o g y 图3中，输入层X 1,X 2, ,X 30为神经网络结构的输入值，输出层Y 1,Y 2, ,Y 7为神经网络结构
的预测值，隐含层F 为非线性激活函数，其中W i j 和W j k 分别为B P 神经网络输入节点与隐含层节点间的网络权值和隐含层节点与输出节点间的网络权值.神经网络预测前需先训练网络模型，训练之后的网络模型才会具有预测能力.(3)遗传算法优化网络模型.利用遗传算法优化B P 神经网络权值与阈值，首先将B P 神经网络全部权值和阈值进行实数编码，构建代表权值和阈值的染体，染体长度:
S =R *S 1+S 1+S 1*S 2+S 2(2)其中R ㊁S 1㊁S 2分别表示B P 神经网络输入层神经元数量㊁
隐含层神经元数量和输出层神经元数量，以测试集数据均方误差的倒数为适应度函数，经选择㊁交叉㊁变异操作后，得到B P 神经网络最优权值和阈值.优化方案如图4所示.
3 实验设计与结果分析
3.1 实验数据
数据来源于真实的医药公司历史库存数据，采集历史库存量数据建立一个30*12的矩阵作为输入层的训练集数据，代表历史12个月的库存量，每个月30天库存数据；建立一个7*12的矩阵作为输出层的验证集数据，代表用历史数据12个月中每个月7天的历史库存量；再建立一个30*1的矩阵作为
中央日报模型的输入层预测集数据，代表用上个月的历史库存数据量去预测这个月的库存需求量.3.2 训练模型3.2.1 训练多货品对应的模型
利用遗传算法优化后的神经网络模型，单独训练每一个货品对应的模型.在医药公司的业务操作
中，每个货品从采购入库㊁货品储存和货品销售出库，每个货品都会有一个唯一的货品i d ，通过这个i d 可
以查询到单个货品所对应的所有历史库存量，把历史库存量预处理后导入训练模型中，最终得到每个货品对应的预测模型.具体流程如图5所示:45内蒙古工业大学学报2019年
图4 遗传算法优化神经网络算法
F i g .4
G e n e t i c a l g o r i t h m s f o r o p t i m i z i n g n e u r a l n e t w o r k
s 图5 每个货品对应的库存预测模型F i g .5 I n v e n t o r y f o r e c a s t i n g m o d e l f o r e a c h g o o d s 5
5第1期刘金荣等 基于神经网络优化算法的库存预测应用研究
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议