張運(yùn)鋒

(廣州城建職業(yè)學(xué)院，廣東 廣州 510900)

0 引言

中國(guó)電信網(wǎng)2021年報(bào)告指出，我國(guó)網(wǎng)民規(guī)模已經(jīng)近10億人，互聯(lián)網(wǎng)范圍已經(jīng)擴(kuò)大到72.4%，手機(jī)上網(wǎng)規(guī)模擴(kuò)大到9.8億人[1-2]，逐步實(shí)現(xiàn)了數(shù)字化社會(huì)發(fā)展，隨著新冠疫情的暴發(fā)，線上辦公、線上授課及線上交易等層出不窮，網(wǎng)絡(luò)運(yùn)行保證了企業(yè)、社會(huì)的正常發(fā)展與穩(wěn)定運(yùn)行。隨著網(wǎng)絡(luò)數(shù)量的復(fù)雜程度逐漸增加，網(wǎng)絡(luò)故障發(fā)生概率也逐漸提升，因此，網(wǎng)絡(luò)故障診斷對(duì)于穩(wěn)定計(jì)算機(jī)網(wǎng)絡(luò)的發(fā)展具有重要意義[3-4]。

傳統(tǒng)的計(jì)算機(jī)故障診斷方法主要包括專家診斷等人工方式，但是現(xiàn)階段其已經(jīng)無(wú)法滿足大范圍計(jì)算機(jī)網(wǎng)絡(luò)故障的需求，因此，亟需人工智能網(wǎng)絡(luò)技術(shù)進(jìn)行計(jì)算機(jī)故障診斷[5]。BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用場(chǎng)景最多，較為廣泛的人工神經(jīng)網(wǎng)絡(luò)之一[6]?；贐P神經(jīng)網(wǎng)絡(luò)，可實(shí)現(xiàn)對(duì)其他行業(yè)輸出進(jìn)行預(yù)測(cè)效果分析，上述研究對(duì)于計(jì)算機(jī)網(wǎng)絡(luò)故障診斷的預(yù)測(cè)分析都起到了重要的推動(dòng)作用。雖然神經(jīng)網(wǎng)絡(luò)可以解決一些復(fù)雜的、非線性映射問(wèn)題，但是它也存在一些缺點(diǎn)，如過(guò)擬合、容易陷入局部最優(yōu)解及收斂速度慢等問(wèn)題，因此，利用遺傳算法、粒子群和蟻群算法等用于優(yōu)化初始權(quán)重和閾值，更有利于提高模型學(xué)習(xí)效率并進(jìn)行全局優(yōu)化[7-9]。

本研究基于遺傳算法優(yōu)化建立GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，并與傳統(tǒng)的BP預(yù)測(cè)模型訓(xùn)練前后的精度、預(yù)測(cè)誤差進(jìn)行對(duì)比分析，研究結(jié)果對(duì)于計(jì)算機(jī)故障診斷的整體管理措施調(diào)整及決策具有重要的指導(dǎo)意義。

1 材料與方法

1.1 數(shù)據(jù)來(lái)源

在進(jìn)行試驗(yàn)數(shù)據(jù)采集時(shí)，考慮到不同的計(jì)算機(jī)故障類型與數(shù)據(jù)本身的均衡性，本研究共進(jìn)行了24天、共210 h的數(shù)據(jù)采集，計(jì)算機(jī)故障采集信息如表1—2所示。

表1 計(jì)算機(jī)故障信息采集表

表2 計(jì)算機(jī)數(shù)據(jù)采集情況

1.2 數(shù)據(jù)處理方法

遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)計(jì)算流程如下：

(1)首先導(dǎo)入數(shù)據(jù)，并對(duì)數(shù)據(jù)進(jìn)行預(yù)處理；(2)其次，初始化種群并計(jì)算個(gè)體適應(yīng)度值，進(jìn)行種群選擇、交叉、變異，并進(jìn)行迭代，(3)最后，滿足迭代條件后找到最優(yōu)位置，計(jì)算最優(yōu)權(quán)值閾值，重新帶入BP網(wǎng)絡(luò)種，進(jìn)行訓(xùn)練和預(yù)測(cè)分析。

2 模型分析

2.1 BP神經(jīng)網(wǎng)絡(luò)模型

(1)

2.2 GA-BP神經(jīng)網(wǎng)絡(luò)模型

GA是目前應(yīng)用最為廣泛的一種求解優(yōu)化問(wèn)題的自適應(yīng)啟發(fā)式的搜索算法，它模仿了自然界的“物競(jìng)天擇，優(yōu)勝劣汰”的生物進(jìn)化機(jī)制，算法步驟如下。

(1)確定神經(jīng)網(wǎng)絡(luò)拓?fù)洹?/p>

(2)獲得初始種群：通過(guò)對(duì)輸入層進(jìn)行數(shù)據(jù)預(yù)處理，設(shè)置種群數(shù)量，主要包括網(wǎng)絡(luò)模型的權(quán)值及閾值。

(3)適應(yīng)度函數(shù)F的設(shè)置公式為：

(2)

(4)選擇運(yùn)算：選擇操作是指通過(guò)一定概率從原始種群中選出優(yōu)秀樣本，通過(guò)繁殖產(chǎn)生下一代樣本數(shù)據(jù)，個(gè)體選擇的概率為：

(3)

其中Fi為個(gè)體I的種群適應(yīng)度值，N為種群數(shù)量。

(5)交叉運(yùn)算：交叉運(yùn)算是指從種群中隨機(jī)選擇兩個(gè)樣本，通過(guò)交換和組合，產(chǎn)生適應(yīng)性強(qiáng)的新個(gè)體，兩個(gè)個(gè)體ak、al在j處交叉操作如式(4)和(5)：

akj=akj(1-b)+alj

(4)

alj=alj(1-b)+akj

(5)

(6)變異運(yùn)算：通過(guò)種群變異可以保持種群的多樣性，從種群中隨機(jī)選取一個(gè)個(gè)體，選取個(gè)體的一部分進(jìn)行變異操作，從而產(chǎn)生更好的個(gè)體。個(gè)體ai在j處發(fā)生變異，形成一個(gè)新的個(gè)體aij如式(6)：

(6)

其中amax、amin為aij的邊界條件，r2為隨機(jī)數(shù)，g是迭代次數(shù)，Gmax是最大進(jìn)化次數(shù)。

(7)計(jì)算新生成種群中個(gè)體的適應(yīng)度函數(shù)。如果適應(yīng)度函數(shù)滿足要求或進(jìn)化次數(shù)達(dá)到最大值，則進(jìn)化完成。

(8)通過(guò)GA優(yōu)化，給BP網(wǎng)絡(luò)初始權(quán)重和閾值，滿足終止條件后得到預(yù)測(cè)結(jié)果。

2.3 誤差分析

為定量評(píng)估GA優(yōu)化的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的有效性和準(zhǔn)確性，采用指標(biāo)RMSE(均方根誤差)、MAE(平均絕對(duì)誤差)和MAPE(平均絕對(duì)百分比誤差)評(píng)估模型，計(jì)算公式如下：

(7)

(8)

(9)

3 結(jié)果與分析

3.1 不同預(yù)測(cè)模型預(yù)測(cè)結(jié)果對(duì)比

對(duì)2種預(yù)測(cè)模型的預(yù)測(cè)結(jié)果進(jìn)行量化，并利用模型評(píng)價(jià)指標(biāo)對(duì)模型進(jìn)行對(duì)比分析(見(jiàn)表3)。與傳統(tǒng)的BP預(yù)測(cè)模型相比，GA-BP模型的誤差都有所降低，說(shuō)明GA-BP模型預(yù)測(cè)精度提升。

表3 BP神經(jīng)網(wǎng)絡(luò)和GA-BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)性能分析

3.2 不同預(yù)測(cè)模型預(yù)測(cè)誤差分析

不同模型的預(yù)測(cè)誤差分布如圖1所示，X軸代表實(shí)測(cè)值與預(yù)測(cè)值之間的誤差值，Y軸表示訓(xùn)練集的預(yù)測(cè)樣本。以分布誤差為0的分界線，向兩端擴(kuò)散增大，0軸表示真實(shí)值與預(yù)測(cè)值結(jié)果一致，越接近0，代表預(yù)測(cè)值與實(shí)測(cè)值的差值越小，模型的預(yù)測(cè)精度越高。從圖1可以看出，與BP模型相比，GA-BP預(yù)測(cè)模型的誤差直方圖誤差接近0的個(gè)數(shù)更多且誤差更小，其他組合模型在零區(qū)間分布數(shù)量較小，誤差較大，說(shuō)明模型預(yù)測(cè)精度較低。

圖1 不同神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)誤差分布

4 結(jié)語(yǔ)

(1)與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)相比，利用遺傳算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，對(duì)BP神經(jīng)網(wǎng)絡(luò)模型的隱層節(jié)點(diǎn)數(shù)和學(xué)習(xí)率進(jìn)行優(yōu)化，克服了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型參數(shù)選擇的盲目性和不確定性，提高了搜索精度、收斂速度和模型的預(yù)測(cè)穩(wěn)定性。

(2)將BP預(yù)測(cè)模型和GA-BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行計(jì)算機(jī)網(wǎng)絡(luò)故障預(yù)測(cè)分析，GA-BP在計(jì)算機(jī)網(wǎng)絡(luò)故障預(yù)測(cè)比其他神經(jīng)網(wǎng)絡(luò)模型表現(xiàn)出更好的預(yù)測(cè)性能。經(jīng)過(guò)不斷迭代訓(xùn)練，GA-BP網(wǎng)絡(luò)模型的預(yù)測(cè)精度R2達(dá)到0.96；與傳統(tǒng)的BP預(yù)測(cè)模型相比，GA-BP模型的RMSE降低了67.41%，MAPE降低了67.58%，MAE降低了67.73%，預(yù)測(cè)值與試驗(yàn)值之間的擬合程度價(jià)高。這一研究結(jié)果為計(jì)算機(jī)網(wǎng)絡(luò)故障的預(yù)測(cè)提供一種新的思路和方法。

(3)在本研究中，通過(guò)遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于計(jì)算機(jī)網(wǎng)絡(luò)故障預(yù)測(cè)，預(yù)測(cè)結(jié)果更為準(zhǔn)確。除遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的外，今后會(huì)更加注重不同模型的對(duì)比，以便對(duì)不同模型之間的預(yù)測(cè)性能進(jìn)行對(duì)比分析，將更有利于對(duì)計(jì)算機(jī)故障發(fā)生實(shí)施動(dòng)態(tài)調(diào)控與技術(shù)決策。