基于改进模糊神经网络的港口物流功能评价模型研究∗

王瑞玺 尚东方 阳志文

（交通运输部天津水运工程科学研究院 天津 300456）

1 引言

港口物流功能综合评价是构建智慧港口的重要途径，受国家整体布局、区域位置、自身软硬件环境等多维因素的制约［1］，港口物流呈现出敏捷性、反复性、重构性、规模性等诸多特点，属于本质非线性的、存在耦合的、波动频繁的、变化多维的复杂系统工程，且港口物流功能具有时间累积性和市场导向性［2～5］，构建较长周期内的高维耦合港口物流功能精确评价模型具有较大困难。近年来，国内外诸多学者把构建较长周期内的高维耦合港口物流功能精确评价问题概括为如何在多维因素等条件的限制下确定最优路线，向其中引入了多种不同的智能算法，例如遗传算法、蚁群算法等，使空间层面对搜索路径所产生的限制得到有效解决，不需要在执行过程中对预先量信息进行获取［6～8］，对构建较长周期内的高维耦合港口物流功能精确评价问题。提出了一种改进模糊神经网络算法，以我国东部某综合港口为对象，在对验证环境进行开发时使用了Eclipse平台，并用实证法对相应模型展开研究，通过研究获得的结果可知，本文设计的模型能够对港口物流功能进行全面的评价，可以在较短的时间内有效处理高维耦合港口物流功能精确评价问题，实证分析效果良好，具有较好的推广应用价值。

2 基于模糊神经网络的港口物流功能评价模型设计

建立相应的数学模型，以便于更加准确地评价受到复杂因素限制的高维耦合港口物流所具有的功能，核心预测模型使用的是模糊神经网络算法，在对该算法的信号流和权值进行自适应调整时使用了遗传算法，把高维耦合港口物流功能精确评价与搜索可变集合下的最佳全局路径问题相对应［6］，在分析过程中使用了遗传算法，详细内容见图1，以模糊神经网络为基础的港口物流功能评价模型是由遗传算法优化等多个子模块共同组成的，不同子模块的运行是在相应机制的配合下完成的，循环的良性闭合反馈由此形成，使高维耦合港口物流的功能能够获得精确评价。

图1 基于模糊神经网络的港口物流功能评价模型示意图

通过图1可知，事先从静态角度对相关数据进行分析是模糊神经网络算法分析子模块的核心功能，其具体内容是针对评价建立与之对应的数学模型、自动生成和自适应调整隶属度函数、利用遗传算法实现权重和阈值的自适应调整等［9］，为把高维耦合港口物流功能精确评价与搜索可变集合下的最佳全局路径问题相对应提供有力支持；从遗传算法优化子模块形成的规则集合中选择最佳方案并传递给信号流和权值自适应调整子模块，模糊规则集调整和评价适应性的工作也是由模糊神经网络算法分析子模块完成的，相应的结果会向遗传算法优化子模块进行传输，闭合的良性反馈由此建立，使模型具有的鲁棒特性得到提升；信号流和权值自适应调整子模块会产生参数集合，该集合在遗传算法优化子模块的作用下形成与之对应的模型，在使用的算法个体与参数集和之间建立具有唯一性的对应关系，对初始港口物流模糊评价数据集在初始种群范围内进行循环反向传播算法校正［10］，以测试得到的结果为依据使用遗传算法完成相应的操作，例如交叉等，在评价模糊规则集是以上述迭代获得的结果为依据，对最有信号流等方面的适应性和可行性展开分析。

3 基于模糊神经网络的港口物流功能评价模型优化

有诸多缺陷存在于遗传算法本身，例如不具备较强的稳定性、约束力，在对非线性数据进行处理时会丧失、庞大的计算量等，基于此，在对具有复杂内部逻辑等特征的复杂因素约束下的高维耦合港口物流功能精确评价问题时其性能会随着种群数量的增加而减弱［11］，耦合依赖性通常会存在于搜索初始值中，最优化缺乏全面性、较差的算法稳定性、较弱的并行搜索能力等问题的发生概率较高。有关方面针对此遗传算法进行改进，将变异和自适应交叉两种算子引入其中，使持续发展具有多样性种群的目标得以实现，使最优缺乏全面性等问题得到有效解决，使算法具有更强的抗干扰能力；在模拟退火机制的帮助下，目标函数可以适用于更大的范围，是并行搜索功能得以实现，使缺失最优解的统计问题得以解决。利用改进过的遗传算法控制模糊神经网络算法的信号流和权值的自适应调整，可以很大程度上改善模糊神经网络的固有弊端。

3.1 引入自适应交叉算子和变异算子

遗传算法中的每个个体与评价周期信号流和权值自适应调整是相互对应的，不同个体的环境适应度也是存在差异的，在不考虑该因素的条件下，所有个体均具有携带利于种群发展的基因模式的可能性，基于此，选中个体且能够使下一代获得遗传的概率会直接影响其遗传种群贡献度。假设环境适应度表示为 f(ai)，相应的种群贡献度则表示为 p(ai)，可得：

用 fmin(ai)和 pmin(ai)分别表示最小的种群环境适应度和进化贡献度，并将其定义为σ，则可以是由以下机制对概率进行选择：

选择概率确定使用式（2）后，可以显著提升搜索和收敛速率，将自适应交叉算子引入其中，将fmax(ai)定义为环境适用度在相应阶段中的最优值，favg所表示的适用度是来自于处于进化周期的固定种群，ḟ(ai)代表计算过程中具有较高适应度的个体，Pm所代表的交叉概率是进行相关运算前的，具体表示为

将调解因子带入式（3）后可得：

式（4）中的上代遗传种群环境平均适应度由favgN(ai)表示，调解因子表示为e-σ，其作用是防治受到循环陷阱的干扰，使进化的可能性获得提升，在调节因子的作用下［12］，在个体进化的最优基因被搜索到的同时，favg(ai)的最优也得以实现。在自适应化处理变异算子时将用到以上原理，Pc即变异概率的计算方式如下：

将调节因子代入式（5）后可得：

通过引入自适应交叉算子与变异算子的方式，在固定种群的遗传算法进化过程当中还应始终保持着交叉与变异的概率，这也是伴随着时间的流逝不断发展。在这种情况下，遗传算法在进化的末期也能够具备较强的净化能力，这也一度促使种群多样性得到更为可持续的发展，这能够很好地将搜索初始值依赖、易陷入局部最优等诸多问题一次性予以解决。

3.2 引入模拟退火机制

为了能够很好地保证自适应遗传算法的实际性能，可以积极引入模拟退火机制，具体参见图2，把环境适应度当作一种可变参数处理，再将环境适应度与迭代次数这二者之间的拉伸关系构建起来，这能够很好地将遗传算法初始个体差异化较大问题一次性解决完毕，随后才能够逐步将轮盘赌选择机制引入［13～15］，在确保后代与环境适应度始终保持正相关关系后，才能够真正确保后代进化速度得以持续。在算法后期阶段，因为环境适应度仍然表现出极强的一致性，还应就此做出恰当化处理。

事实上，当环境适应度趋于一致，算法后期的种群进化能力也会持续减弱，为此，要积极引入环境适应度拉伸因子，具体情况如下：

根据式（7）和（8）可知，M取值一般都是按照实际情况来将种群规模大小选定下来，g代表遗传代数，T代表的则是选定的模拟退火温度，T0则代表选定的模拟退火机制初始温度，利用引入模拟退火机制的方式，能够真正确保自适应拉伸环境适应度得到明显升高，此举能够确保算法后期种群进化能 力减弱问题不再出现。

图2 融合模拟退火机制的自适应遗传算法工作流程图

3.3 优化模型仿真验证

为了能够对引入自适应交叉算子、变异算子等的实际工作效果进行验证，分析利用改进过的遗传算法控制模糊神经网络算法的信号流和权值的自适应调整实际效能，大胆做出一个假设，一般的模糊神经网络的训练次数epochs是1000，训练目标goal则是0.01，二者的取值有所不同；改进遗传算法的群体规模为N=60；如果对变异概率Pc的动态变化范围进行设定，这显然会与变异概率存在差别,在一般情况下，下限为 Pc1=0.60，上限则是Pc2=0.90，如果已经专门对于变异概率Pm的动态变化范围进行划分，则变异概率的下限Pm1=0.01，上限Pm2=0.1，在选择参数的过程当中，我们会始终将实际问题作为导向，此举能够确保在种群进化的后期阶段，进化活力也会得到显著增强［16］。为了确保最终的结果具备可参考性，谢菲尔德大学的Matlab遗传算法工具箱采用频率的方式，将初始目标函数设定完成后，最优解也会随着遗传代数和进化过程的变化趋势、引入模拟退火机制等多维度来对算法完成仿真验证工作，特别是要在Mat⁃lab2016b环境之下来完成图形化示意仿真处理，具体结果参见图3、4、5、6。为了能够确保初始个体的收集与预处理的效率得到大幅度提升，在数据处理过程当中还可以专门加入降噪和归一化技术，这能够让整个算法更加精准。

图3 标准遗传算法控制信号流和权值的自适应调整仿真图

图3 、4、5、6可以从定性和定量这两方面着手，在逐步将自适应交叉算子、变异算子等诸多算法引入后，能够很好地确保种群多样性得到更好的可持续发展，算法的搜索初始值依赖、易陷入局部最优等诸多问题均能够得到妥善解决，算法的抗干扰性也能够得到大幅度提升，对于模糊神经网络算法的信号流和权值来进行自适应调整，较好解决了高维耦合港口物流功能精确评价中泛化能力与学习能力失衡、收敛速度随时间呈迟滞变化等问题，实现全局最优，具有模型拟合度高、自适应性强、鲁棒性较好等优势。

图4 改进遗传算法控制信号流和权值的自适应调整仿真图

图5 标准模糊神经网络算法评价效果仿真图

图6 改进模糊神经网络算法评价效果仿真图

4 港口物流功能评价系统设计

为了能够对上文所提算法的有效性和实用性进行验证，本文基于Eclipse平台来将Java图形化开发插件GUI调动，从而开发出一款完善的固定周期内的通用港口物流功能评价系统，这能够确保初始遗传种群的设定、模糊神经网络算法的信号流和权值自适应调整、评价结果图像化对比结果输出等功能得以实现，具备通用港口物流功能评价的全流程。选取我国东部沿海某综合港口为评价载体进行实际验证，引入隶属度函数自动生成和调整机制、利用反向传播算法对模糊评价数据集来执行一系列处理，从而对该算法的信号流和权值进行自适应调整，则系统运行标准遗传算法控制信号流和权值的自适应调整界面示意图如图7所示。

图7 系统运行标准遗传算法界面示意图

为了能够很好地对于自适应交叉算子、变异算子等算法进行处理，我们需要基于控制模糊神经网络算法的信号流和权值自适应调整的实际工作效果来做出恰当化调整，具体参见图8，将标准遗传算法与改进遗传算法这二者进行对比，可以由此了解到改进后算法具备更强的优越性，特别是完成相关参数的设定之后，点击则会将图形结果显示出来，具体参见图9。

图8 系统运行改进遗传算法界面示意图

5 结语

针对本质非线性的、存在耦合的、波动频繁的、变化多维的、时间累积、市场导向明显的多维因素约束下的较长周期内的港口物流功能精确评价问题，提出了一项改进模糊神经网络的算法。将自适应交叉算子和变异算子等算法予以优化处置后，就模拟退火机制来对传统遗传算法进行改进，利用改进过的遗传算法控制模糊神经网络算法的信号流和权值的自适应调整。基于Matlab2016b环境，还要完成图形化示意仿真工作，通过对颜色在仿真图中给出对比曲线差异来进行说明，最终结果如下：遗传算法在改进完成后，能够恰当地将优化过程中易陷于局部最优、搜索初值依赖性等诸多问题一次性予以解决，优势明显；另一方面，利用改进过的遗传算法控制模糊神经网络算法的信号流和权值的自适应调整，较好解决了高维耦合港口物流功能精确评价中泛化能力与学习能力失衡、收敛速度随时间呈迟滞变化等问题，具有模型拟合度高、自适应性强、鲁棒性较好等诸多优点。为了能够对改进之后的模糊神经网络算法进行恰当化处置，需要在Eclipse平台上合理调用Java图形化开发插件GUI，并开发出一款固定周期内的通用港口物流功能评价系统，具备通用港口物流功能评价的全流程，这能够很好地将大型综合性港口的物流功能评价需求予以满足，还能够对港口物流功能进行精确预测，在稳定性、准确性、自适应性、通用性等方面具有明显优势。

图9 改进模糊神经网络算法评价效果界面示意图