技术领域
本发明涉及基于GASA-BP神经网络的订单完工时间预测方法,属于企业生产管理中的订单完工预测领域。
背景技术
日益激烈的市场环境和不断严格的客户需求对制造业缩短生产周期、准确排产、按时交货提出了更高的要求。在按订单生产的企业中,准确的订单完工期预测对合理的生产计划制定、准确的调度排产、按时的产品交付具有重要的意义,甚至影响制造企业的信誉和竞争力。在当前生产方式灵活、产品种类繁多的离散制造车间中,随着自动识别、智能传感器、人工智能技术的大量应用,车间数据的采集和预测也变得愈加快速准确。然而,目前已有的BP神经网络预测模型出现了搜索能力较弱导致预测误差较大的问题。如何更准确的预测车间数据从而有效指导生产是目前迫切需要解决的问题。
发明内容
本发明所要解决的技术问题是:提供基于GASA-BP神经网络的订单完工时间预测方法,克服了现有的BP神经网络预测误差较大的问题,设计更合理,预测更准确。
本发明为解决上述技术问题采用以下技术方案:
基于GASA-BP神经网络的订单完工时间预测方法,包括如下步骤:
步骤1,对BP神经网络进行初始化,并将初始化后网络的权值和阈值编码成染色体;
步骤2,获取训练样本,并对训练样本归一化,利用归一化后的训练样本对BP神经网络进行训练;
步骤3,根据BP神经网络的权值和阈值,网络训练的预测输出与期望输出的误差平方和的倒数计算每个染色体的适应度值;
步骤4,使用遗传算法对染色体进行选择、交叉、变异操作;
步骤5,使用模拟退火算法中的Metropolis接受准则对遗传算法的新种群个体进行选择,保留最优适应度;
步骤6,判断遗传算法的终止条件,若算法达到最大迭代次数,则转至步骤7,否则转至步骤3;
步骤7,解码遗传算法得到的最优染色体,获取最优权值和阈值并利用误差梯度下降法更新BP神经网络的权值和阈值直至满足网络误差精度要求,从而完成网络的训练;
步骤8,获取测试样本,利用训练好的BP神经网络对测试样本进行预测,得到订单完工预测时间。
作为本发明的一种优选方案,步骤1所述染色体包括输入层到隐含层的权值、输入层到隐含层的阈值、隐含层到输出层的权值和隐含层到输出层的阈值,染色体的编码长度为:S=m*h+h*n+h+n,其中,m、h、n分别为BP神经网络输入层节点数、隐含层节点数、输出层节点数。
作为本发明的一种优选方案,步骤2所述训练样本包括输入数据和输出数据,其中,输入数据包括产品种类、产品数量、产品加工工时、机器故障率、机器负荷率、物料短缺率、车间生产能力、入缓存区队列、出缓存区队列、产品合格率以及已加工时长,输出数据包括订单完工时间;
对训练样本归一化,即对输入数据归一化,具体为:
其中,X
作为本发明的一种优选方案,步骤3所述每个染色体的适应度值,计算方法为:
F
其中,F
其中,D为训练样本数,n为BP神经网络输出层节点数,y
其中,H
其中,W
作为本发明的一种优选方案,所述步骤4的具体过程如下:
步骤4.1,选择操作,每个染色体被选择的概率为:
其中,P
步骤4.2,交叉操作,预先设置交叉率P
其中,a
步骤4.3,变异操作,预先设置变异率P
f(t)=r
其中,a
作为本发明的一种优选方案,所述步骤5的具体过程如下:
将种群新适应度值与上一次迭代的适应度值进行比较,当ΔF>0,则接受新解;当ΔF≤0,若概率
其中,ΔF为新适应度值减去上一次迭代的适应度值的差;T为模拟退火初始温度参数。
作为本发明的一种优选方案,步骤7所述并利用误差梯度下降法更新BP神经网络的权值和阈值,具体为:
权值更新公式为:
阈值更新公式为:
其中,W
本发明的有益效果是:
1、本发明改进遗传算法,引入模拟退火算法的Metropolis接受准则,有效地抑制了遗传算法过早收敛,提高算法局部寻优的精确性。
2、本发明将改进的遗传算法和BP神经网络相结合,建立GASA-BP订单完工时间预测模型。
3、本发明GASA-BP预测模型经过测试表明,相较于GA-BP订单完工时间预测模型,GASA-BP模型的预测结果的均方误差相对较小、准确性更高,在订单完工时间预测方面具有更高的可靠性和适用性。
附图说明
图1是利用GASA-BP神经网络预测订单完工时间的原理图。
图2是本发明GASA-BP神经网络的订单完工时间预测方法的流程图。
图3是三层BP神经网络结构图。
具体实施方式
下面结合附图对本发明做更进一步的解释。
本发明环境为采用MATLAB编写,在内存4GB、Intel Corei5 CPU2.6GHz的Window 7操作系统上运行。
首先,完成三层BP神经网络的构建,图3是三层BP神经网络结构图,构建内容包括:
(1)确定输入成节点数m,根据输入数据的指标种类数可确定输入层几点数为11;
(2)确定输出层节点数n,网络输出为订单完工时间可确定输出层节点数为1;
(3)确定隐含层节点数h,根据公式
(4)确定网络的激励函数为Sigmoid型函数
(5)设定网络的误差精度为0.01;
(6)初始化网络的权值和阈值为[-1,1]之间产生的随机数。
随后,利用改进的遗传算法(GASA)优化BP神经网络的权值和阈值,其原理和流程如图1和图2所示,具体为:
(1)将初始化的网络的权值和阈值编码成染色体;
(2)将归一化处理后的训练集数据输入BP神经网络并计算实际输出和期望输出的误差E
(3)将计算的误差E
F
其中,F
其中,D为训练样本数,n为BP神经网络输出层节点数,y
(4)根据适应度大小对染色体循环进行选择、交叉、变异和Metropolis接受准则的选择重判断操作不断优化染色体的适应度;
(5)验证算法终止条件,若达到遗传算法最大迭代次数则转至步骤(3)继续执行,否则执行步骤(6);
(6)解码最优染色体得到最优权值和阈值。
其次,将遗传算法输出的最优权值和阈值输入BP神经网络,利用误差梯度下降法更新网络的权值和阈值直至符合BP神经网络所设立的误差精度,此时便确定了网络的权值和阈值,完成了BP神经网络的训练。利用误差梯度下降法的更新公式如下:
权值更新公式为:
阈值更新公式为:
其中,W
最后,利用训练好的BP神经网络对测试集数据预测其订单完工时间验证预测模型的准确度。
机译: 基于时间序列遥感数据和卷积神经网络的作物种植分布预测方法
机译: 基于时间序列医学数据的深层神经网络预测结果的可视化预测方法及系统
机译: 基于递归神经网络的时间序列信号预测方法及装置