基于遗传算法-鲸鱼算法优化反向传播神经网络的土壤参数预测

陈智威

(浙江理工大学 信息学院，浙江 杭州 310018)

随着智慧农业的发展，土壤参数预测研究取得了一些成果。研究人员在基于红外光谱和支持向量机的土壤参数预测中应用支持向量机算法对实时土壤光谱数据进行处理，获得了土壤全氮和有机质的回归模型[1-3]。杨玮等[4]建立基于土壤参数的冬小麦预测模型，采用灰色理论对冬小麦土壤电导率、土壤pH值等因子进行关联分析，结果表明，反向传播(BP)神经网络以及模糊最小二乘支持向量机(FLSSVM)预测模型的精度都较高，可以用来评估作物产量，为精细农业变量处方管理提供理论与技术支持。本文采用遗传算法(GA)-鲸鱼算法(WOA)混合优化BP神经网络算法对农业土壤参数进行预测，并与其他算法进行对比分析，为未来土壤参数的预测提供理论依据。

1 材料与方法

1.1 农业土壤参数采集

农业土壤参数主要通过相关传感器进行采集，包括土壤温度传感器、土壤湿度传感器、土壤电导率传感器和土壤pH传感器。通过模数(AD)转换、微处理器和通用分组无线业务(GPRS)模块将采集到的数据发送到云端，在云端通过上位机软件可以做可视化处理，人们通过网页等方式就可以了解采集的具体的土壤参数数值。

1.2 研究方法

针对BP神经网络自身的缺点，利用GA的全局搜索能力优化BP神经网络。但由于标准GA存在易陷入局部最优等缺点，因此，本文将GA与WOA混合，提升算法寻优能力，从而达到优化BP神经网络的目的。

1.2.1 GA

GA[5]是一类借助生物界进化规律而得来的随机化搜索方法，通过模拟自然进化过程搜索最优解。其基本运行过程：1)随机产生初始种群，初始化交叉率、变异率等相关进化参数；2)计算当前种群中每个候选个体解的适应度值；3)采用轮盘赌等方法对候选个体进行基于适应度值的选择，将好的个体遗传到下一代或者通过交叉变异方式产生下一代个体；4)将父代个体对进行均匀交叉、单点交叉等，以产生新候选个体；5)通过变异概率改变个体部分基因座上的基因值；6)判断得到的值是否满足要求，满足则退出，不满足则返回步骤2)。

1.2.2 WOA

鲸鱼算法[6]受自然界座头鲸觅食行为的启发，包括环绕式捕食、泡泡网捕食和搜索捕食3个阶段。

1.2.3 GA-WOA混合优化算法

大量实验表明，GA由于交叉变异算子的引入，拥有很强的局部寻优能力，但是容易陷入局部最优。鲸鱼算法跳出局部寻优能力强且调整参数少，但是在处理复杂的优化问题上存在收敛精度低且收敛速度慢的缺点。本文提出基于GA与WOA的混合优化算法GA-WOA，把GA和WOA各自擅长的寻优能力进行有机结合。算法的具体实现步骤：1)初始化候选解群、迭代次数T与成员算法GA和WOA的偏好阈值r，当前迭代次数t=0；2)若tT，则T1=T-t；6)若rand()>r，则进行目标函数的WOA优化(迭代次数为T1)，反之进行目标函数的GA优化。

1.2.4 GA-WOA混合算法优化BP神经网络

BP神经网络作为一种多层前馈神经网络，其特点主要是信号前向传递、误差方向传播，BP神经网络包括输入层、隐含层和输出层，BP神经网络结构图如图1所示。

图1 BP的神经网络结构

GA-WOA混合算法优化BP神经网络的基本思想是利用GA-WOA混合算法优化BP神经网络的初始权值和阈值，编码时个体为神经网络的权值和阈值，将BP神经网络的训练误差作为个体的适应度值，选择最优的BP神经网络初始权值和阈值。具体流程：1)BP神经网络初始化，确定网络的输入输出结构、初始连接权值和阈值；2)GA-WOA混合算法初始化，根据BP神经网络的初始连接权值和阈值对遗传算法初始值编码；3)以BP神经网络训练误差为适应度值进行选择、交叉、变异、泡泡网捕食等操作，直至达到条件；4)获得最优权值和阈值；5)计算误差更新权值和阈值；6)输出误差结果。

算法流程图如图2所示。

图2 GA-WOA混合算法优化BP神经网络 算法的流程

2 结果与分析

2.1 数据集描述和实验硬件环境

实验采用土壤采集系统采集的数据和土壤数据网中的土壤参数数据作为数据集。实验中硬件环境：主频2.2 GHz的Intel Core I3 CPU，内存为4 GB，操作系统为Windows 10，集成开发环境为Matlab 7.0。

2.2 实验对比算法描述

实验对比算法包括：基于GA优化BP神经网络的农业土壤参数预测算法，基于粒子群优化算法(PSO)优化BP神经网络的农业土壤参数预测算法，基于WOA优化BP神经网络的农业土壤参数预测算法。GA优化BP神经网络的基本思想是利用GA优化BP神经网络的权值和阈值；PSO优化BP神经网络算法综合了PSO的全局随机变量最优解和梯度下降局部细致搜索优势的特点，用初始值作为粒子向量的值，优化了BP神经网络的权值和阈值，达到了提高预测精度和改善泛化性的目的；WOA优化BP神经网络的基本思想是通过环绕式、泡泡网和搜索等捕食方法得到最优的权值和阈值。

基于GA-WOA混合算法优化BP神经网络的算法综合了WOA和GA算法的优势，对BP神经网络算法进行优化，通过对样本数据的不断训练和测试，从而能够对未来某一时刻的数值进行精准的预测。

2.3 回归预测评测指标

回归预测评价指标主要包括R2、均方误差(MSE)、均方根误差(RMSE)、平均绝对百分误差(MAPE)、平均绝对误差(MAD)，计算公式：

式中：a表示实际值；b表示预测值；c表示观测数据的平均值。

2.4 实验数据与结果

GA-WOA混合优化算法的参数设置如下：种群数50，迭代次数100，学习因子1，最大权重0.9，最小权重0.5，对数螺旋形状常数1，变异概率0.7，交叉概率0.7。通过算法适应度迭代曲线、预测效果图和误差表对GA-WOA混合优化算法以及其他智能优化算法在农业土壤参数预测上的效果进行对比及分析。

从图3可以看出，在整个迭代过程中，每一代的适应值随着算法迭代次数的增加而减少，说明该算法有效，且稳定地向真实最优解逼近。在进行100次迭代后，土壤电导率(EC)、pH、湿度和温度的种群最优值分别从0.48、0.134、0.022和8.7下降到了0.28、0.010 5、0.013 8和4.2。经过GA-WOA混合优化后的算法能够在很少的迭代次数下得到最小值，即最优解。

图3 适应度的迭代曲线

从图4可以看出，将50个测试样本的实际值与本文方法预测值进行对比，土壤EC、pH、湿度和温度的预测值与实际值的最大误差分别为0.4、0.45、0.5和0.6，具有很好的预测准确度。

随机取出10个土壤EC数据样本值，计算其绝对误差和相对误差。从表1可以看出，预测值与实际值的最大差距为0.24，相对误差在10%以内，即预测值与实际值比较接近。

2.5 算法对比

为了验证GA-WOA遗传优化算法在优化BP神经网络中的优势，将此优化算法与GA优化算法、PSO优化算法和WOA优化算法以相同参数进行对比实验。

表1 基于GA-WOA算法的土壤电导率预测误差

图4 预测的效果

以土壤EC为例，GA、PSO、WOA和GA-WOA适应度收敛曲线对比结果如图5所示。GA-WOA算法相对于其他算法能够在最少的迭代次数上得到最优解。虽然WOA算法相比GA-WOA混合算法收敛速度快，但由于其跳出局部最优解的能力不足，导致其容易陷入局部最优解，所以其结果距离最优解较远。由于PSO算法和WOA算法适合处理连续型问题，而本文主要处理离散问题，所以GA-WOA算法更适合。GA-WOA算法较GA算法具有更快的收敛速度，且输出结果更好，所以GA-WOA算法具有更强的搜索能力以及跳出局部最优解的能力，预测效果更好。GA-WOA算法相比其他智能优化算法，具备更优的预测性能。

图5 GA、PSO、WOA和GA-WOA适应度 收敛曲线的比较

不同算法优化的BP预测效果如表2所示。以土壤EC为例，通过GA-WOA混合算法优化的BP神经网络的回归预测在R2上大于其他算法，在MSE、RMSE、MAPE和MAD上均小于其他算法，说明GA-WOA混合算法实现了对标准GA的优化。

表2 不同算法优化的BP预测效果

3 小结

提出一种基于GA-WOA混合算法来优化BP神经网络并用于对土壤相关参数值进行预测的方法，实验结果表明，该算法能够更快地达到最小值(最优解)，且预测值与实际值的误差较小。该算法与其他优化算法相比，具备预测误差小、快速、预测值优的特点，可为未来农业生产提供指导，促进智慧农业的发展。