一組可行解，按照所選擇的 適應(yīng)度函數(shù)對(duì)可行解進(jìn)行重新組合，使適應(yīng)度值好的可行解被保留，適應(yīng)度差的可行解被 淘汰；這樣新的可行解既繼承了上一代的信息，又優(yōu)于上一代，這樣反復(fù)循環(huán)，直至最優(yōu)； 本發(fā)明根據(jù)最優(yōu)個(gè)體來更新BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，可以使得BP神經(jīng)網(wǎng)絡(luò)可以更好地 根據(jù)輸入的扇區(qū)性能檢測(cè)指標(biāo)數(shù)據(jù)進(jìn)行可靠的扇區(qū)性能綜合指數(shù)的檢測(cè)；而且，結(jié)合BP神 經(jīng)網(wǎng)絡(luò)的訓(xùn)練輸出和期望輸出作為個(gè)體的適應(yīng)度值，可以更好地統(tǒng)合實(shí)際和理論，以使得 BP神經(jīng)網(wǎng)絡(luò)具有更優(yōu)的實(shí)用性。
[0118] 步驟S2還包括過程：
[0119] 步驟S2-1使用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值；
[0120] 步驟S2-2以最優(yōu)初始化權(quán)值和閾值，對(duì)扇區(qū)交通流態(tài)勢(shì)指標(biāo)樣本進(jìn)行BP神經(jīng)網(wǎng) 絡(luò)訓(xùn)練，輸出優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)。
[0121] 在步驟S2-1中包括：
[0122] 步驟S2-1-1隨機(jī)初始化BP神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值，對(duì)權(quán)值和閾值進(jìn)行編碼，形成個(gè) 體及種群。
[0123] 個(gè)體編碼采用實(shí)數(shù)編碼方式，每個(gè)個(gè)體均為一個(gè)實(shí)數(shù)串，由輸入層與隱含層連接 權(quán)值、隱含層閾值、隱含層與輸出層連接權(quán)值以及輸出層閾值構(gòu)成。其中，輸入層與隱含層 連接權(quán)值、隱含層閾值、隱含層與輸出層連接權(quán)值以及輸出層閾值一組數(shù)值，這四個(gè)構(gòu)成一 個(gè)個(gè)體。
[0124] 步驟S2-1-2構(gòu)造個(gè)體適應(yīng)度函數(shù)。
[0125] 將不同時(shí)段的扇區(qū)交通流態(tài)勢(shì)指標(biāo)樣本數(shù)據(jù)歸一化處理后作為網(wǎng)絡(luò)輸入數(shù)據(jù)，將 對(duì)應(yīng)的扇區(qū)性能綜合指數(shù)作為網(wǎng)絡(luò)期望輸出，以種群中第1(1 = 1，2, ...，L)個(gè)個(gè)體作為 BP神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值，L表示種群規(guī)模，并以訓(xùn)練輸出與期望輸出之間誤差（絕對(duì)值）之 和的倒數(shù)，作為在第d次迭代后的適應(yīng)度值F 1, d:
[0126]
[0127] 其中，分別表示在第d次迭代時(shí)，第j(j = 1，2，...，N)組樣本數(shù)據(jù)所對(duì)應(yīng) 的BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練輸出與期望輸出；可取1，2,3,4,5，分別表示扇區(qū)運(yùn)行性能 為最好、較好、一般、較差、最差。
[0128] 步驟S2-1-3選擇操作。
[0129] 通過選擇操作處理個(gè)體適應(yīng)度值，選擇輸出部分個(gè)體適應(yīng)度值對(duì)應(yīng)的個(gè)體；個(gè)體 1在第d次迭代時(shí)的選擇概率為：
[0130]
[0131] 步驟S2-1-4交叉操作。
[0132] 使用交叉操作對(duì)選擇輸出的個(gè)體進(jìn)行處理，并輸出交叉操作結(jié)果。第1個(gè)個(gè)體和 第Γ個(gè)個(gè)體在m位進(jìn)行基因交叉操作方法為：
[0133]
[0134] 其中：,",d分別表示第1個(gè)個(gè)體和第Γ個(gè)個(gè)體在m位的基因，g' #口 分別表示第1個(gè)個(gè)體和第U個(gè)個(gè)體對(duì)m位的基因進(jìn)行交叉操作之后的基因，r 是[0，1]間的隨機(jī)數(shù)。
[0135] 步驟S2-1-5變異操作。
[0136] 使用變異操作對(duì)交叉操作結(jié)果進(jìn)行處理，得到變異操作結(jié)果：
[0137]
[0138] 其中，g_、g_分別為基因g' ^d:取值的上界和下界，f (d) = b(l-d/D_)2,其中 a和b是[0, 1]間的隨機(jī)數(shù)，d為當(dāng)前的迭代次數(shù)，D_為最大迭代次數(shù)。
[0139] 步驟S2-1-6根據(jù)遺傳算法結(jié)束條件，選取適應(yīng)度值最大的個(gè)體基因編碼，作為BP 神經(jīng)網(wǎng)絡(luò)的最優(yōu)初始化權(quán)值和閾值。
[0140] 根據(jù)最大迭代次數(shù)，判斷是否滿足遺傳算法結(jié)束條件，如達(dá)到最大迭代次數(shù)，結(jié)束 遺傳算法計(jì)算，選取適應(yīng)度值最大的個(gè)體基因編碼，作為BP神經(jīng)網(wǎng)絡(luò)的最優(yōu)初始化權(quán)值和 閾值；若不滿足算法結(jié)束條件，則返回步驟S2-1-3。
[0141] 選擇操作是指從上一代可行解中以一定概率選擇個(gè)體作為新的可行解，個(gè)體被選 中的概率取決于適應(yīng)度值大小，個(gè)體適應(yīng)度值越好，其被選中的概率越大；交叉操作是指從 個(gè)體中選擇兩個(gè)個(gè)體，隨機(jī)選擇一點(diǎn)或多點(diǎn)"染色體位"，實(shí)現(xiàn)對(duì)兩個(gè)"染色體"的交換組合， 從而產(chǎn)生新的優(yōu)秀個(gè)體；變異操作是指從群體中任意選擇一個(gè)個(gè)體，選擇"染色體"的一點(diǎn) 進(jìn)行變異，以產(chǎn)生更加優(yōu)秀的個(gè)體；如此個(gè)體適應(yīng)度值在通過選擇操作、交叉操作和變異操 作后，可以保證計(jì)算得到的最優(yōu)個(gè)體的準(zhǔn)確性，而最優(yōu)個(gè)體則可以通過以其為根據(jù)更新BP 神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，進(jìn)而提高管制員工作負(fù)荷指數(shù)的檢測(cè)可靠性。
[0142] 具體到本案，對(duì)輸入的經(jīng)過交叉操作處理的個(gè)體進(jìn)行變異操作處理，并得到變異 操作處理結(jié)果，然后根據(jù)該變異操作處理結(jié)果得到最優(yōu)適應(yīng)度值對(duì)應(yīng)的個(gè)體。若變異操作 的輸出結(jié)果滿足遺傳優(yōu)化結(jié)束條件，則輸出優(yōu)化的權(quán)值和閾值；若不滿足遺傳算法結(jié)束條 件，則重新執(zhí)行遺傳算法。很多時(shí)候，使用遺傳算法去優(yōu)化個(gè)體適應(yīng)度值并不是一次性能夠 完成優(yōu)化的，設(shè)置遺傳算法結(jié)束條件，可以判斷產(chǎn)生的最優(yōu)個(gè)體是否準(zhǔn)確可用，若產(chǎn)生的最 優(yōu)個(gè)體不可行，則可以重新返回進(jìn)行遺傳算法，如此可以更好地保證產(chǎn)生的最優(yōu)個(gè)體的準(zhǔn) 確性，進(jìn)而保證管制員工作負(fù)荷指數(shù)的可靠性。
[0143] 在步驟S2-2中包括：
[0144] 步驟S2-2-1基于遺傳算法輸出BP神經(jīng)網(wǎng)絡(luò)的最優(yōu)初始化權(quán)值和閾值，進(jìn)行網(wǎng)絡(luò) 訓(xùn)練，得到訓(xùn)練輸出值，計(jì)算訓(xùn)練輸出與期望輸出之間的誤差。
[0145] 步驟S2-2-2根據(jù)計(jì)算出的誤差，更新網(wǎng)絡(luò)的權(quán)值和閾值。
[0146] 步驟S2-2-3輸出優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)。
[0147] 以誤差收斂精度、訓(xùn)練步長以及確認(rèn)檢查的次數(shù)，設(shè)定網(wǎng)絡(luò)訓(xùn)練結(jié)束條件；判斷 是否滿足網(wǎng)絡(luò)訓(xùn)練結(jié)束條件，若滿足，則輸出優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)；若不滿足，則將步驟 S2-2-2更新后的權(quán)值和閾值作為初始化權(quán)值和閾值，執(zhí)行步驟S2-2-1。
[0148] 根據(jù)上述方法流程，采集成都ACCOl扇區(qū)相關(guān)指標(biāo)數(shù)據(jù)共計(jì)350組，對(duì)GABP神經(jīng) 網(wǎng)絡(luò)（具體指，基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，下面簡(jiǎn)稱GABP)的進(jìn)行訓(xùn)練。隱含層的規(guī) 模根據(jù)經(jīng)驗(yàn)公式忍< 十?'定為5。
[0149] 為比較GABP神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)的差異，以350組訓(xùn)練數(shù)據(jù)為基礎(chǔ)，對(duì)比GABP 神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練誤差。如下：
[0150] CN 105160201 A 仇叱巾 12/19 頁
[0151] 表3 :神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差對(duì)比
[0152] 由上表，可以看出雖然GABP神經(jīng)網(wǎng)絡(luò)的最大誤差要大于BP神經(jīng)網(wǎng)絡(luò)，但是GABP 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練誤差的平均誤差、方差等都小于BP神經(jīng)網(wǎng)絡(luò)的測(cè)試誤差，表明GABP神經(jīng)網(wǎng) 絡(luò)的結(jié)果要優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。因此，最終確定GABP神經(jīng)網(wǎng)絡(luò)作為管制員工作負(fù)荷的預(yù)測(cè) 算法。
[0153] GABP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程以及訓(xùn)練誤差為：
[0154]
[0155] 表4 :GABP神經(jīng)網(wǎng)絡(luò)測(cè)試結(jié)果
[0156]
[0157] 表5 :GABP神經(jīng)網(wǎng)絡(luò)測(cè)試誤差
[0158] 根據(jù)得到的訓(xùn)練好的、優(yōu)化后的GABP神經(jīng)網(wǎng)絡(luò)，通過將管制扇區(qū)交通流態(tài)勢(shì)指標(biāo) 的預(yù)測(cè)數(shù)據(jù)進(jìn)行歸一化處理，并導(dǎo)入優(yōu)化后的GABP神經(jīng)網(wǎng)絡(luò)，即可得到管制員工作負(fù)荷指 數(shù)的預(yù)測(cè)結(jié)果。
[0159] 其中，如圖3所示是本發(fā)明所涉及的BP神經(jīng)網(wǎng)絡(luò)的基本原理結(jié)構(gòu)圖；
[0160] BP神經(jīng)網(wǎng)絡(luò)，是人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，簡(jiǎn)稱ANN)中應(yīng)用 較為廣泛的一種形式。作為一種多層前饋神經(jīng)網(wǎng)絡(luò)，BP神經(jīng)網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸 入-輸出模式映射關(guān)系，無需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程，具有突出的大規(guī)模 并行處理、信息分布存儲(chǔ)及自學(xué)習(xí)功能，并已廣泛應(yīng)用于分類、函數(shù)逼近、模式識(shí)別、優(yōu)化預(yù) 測(cè)及數(shù)據(jù)壓縮等方面。BP神經(jīng)網(wǎng)路中，輸入信號(hào)X經(jīng)由輸入層、隱含層，前向傳播到達(dá)輸出 層，并且上一層的神經(jīng)元狀態(tài)會(huì)影響下一層神經(jīng)元狀態(tài)。如果輸出層得不到期望輸出Y，則 轉(zhuǎn)入誤差方向傳播，即根據(jù)預(yù)測(cè)誤差調(diào)整輸入層與隱含層之間的權(quán)值《 fk、隱含層與輸出層 之間的權(quán)值《ki，以及隱含層閾值α、輸出層閾值β，從而使BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)輸出不斷逼 近期望輸出。
[0161] 在確定BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)中：
[0162] 用于管制員工作負(fù)荷綜合評(píng)價(jià)的BP神經(jīng)網(wǎng)絡(luò)輸入層節(jié)點(diǎn)數(shù)目為15、輸出層節(jié)點(diǎn) 數(shù)目為1。網(wǎng)絡(luò)輸入為17項(xiàng)扇區(qū)交通流態(tài)勢(shì)指標(biāo)數(shù)據(jù)X 1, ...，X17;網(wǎng)絡(luò)輸出為管制員工作 負(fù)荷指數(shù)綜合分類結(jié)果（用1，2, 3,4, 5分別表示管制員工作負(fù)荷指數(shù)為優(yōu)、良、好、中、差）。 隱含層節(jié)點(diǎn)數(shù)目H根據(jù)經(jīng)驗(yàn)公式確定：忍< yWTI+s，（c取從1到10的整數(shù)）。此外，隱 含層和輸出層的節(jié)點(diǎn)傳遞函數(shù)均采用tansig函數(shù)：
[0163]
[0164]
[0165] 對(duì)于第p次訓(xùn)練，L,, k, p表示第j (j = 1，2, . . .，N)組樣本數(shù)據(jù)所對(duì)應(yīng)的BP神經(jīng) 網(wǎng)絡(luò)第k(k = 1，2, . . .，H)個(gè)隱含層節(jié)點(diǎn)的輸出值，Yhp表示第j(j = 1，2，…，N)組樣本 數(shù)據(jù)所對(duì)應(yīng)的BP神經(jīng)網(wǎng)絡(luò)輸出層的輸出值。ω i>k,p表示從輸入層第i個(gè)節(jié)點(diǎn)到隱含層第k 個(gè)節(jié)點(diǎn)的權(quán)值，a k,p表示隱含層第k個(gè)節(jié)點(diǎn)的閾值，ω ' k,p表示從隱含層第k個(gè)節(jié)點(diǎn)到輸 出層單一節(jié)點(diǎn)的權(quán)值，βρ表示輸出層單一節(jié)點(diǎn)的閾值。
[0166] 另外，本發(fā)明所涉及的遺傳算法，即GA，是基于生物進(jìn)化原理"自然界優(yōu)勝劣汰，適 者生存"的自適應(yīng)優(yōu)化方法，該方法通過維持一組可行解，按照所選擇的適應(yīng)度函數(shù)并通過 遺傳中的選擇交叉和變異對(duì)可行解進(jìn)行重新組合，使適應(yīng)度值好的可行解被保留，適應(yīng)度 差的可行解被淘汰。這樣新的可行解既繼承了上一代的信息，又優(yōu)于上一代，這樣反復(fù)循 環(huán)，直至最優(yōu)。
[0167] 遺傳算法的基本要素包括染色體編碼方法、適應(yīng)度函數(shù)、遺傳操作以及運(yùn)行參數(shù)。
[0168] 染色體編碼方法是指?jìng)€(gè)體的編碼方法，包括二進(jìn)制編碼、實(shí)數(shù)制編碼等，二進(jìn)制編 碼是指將個(gè)體編碼成一個(gè)二進(jìn)制串，實(shí)數(shù)制編碼是將個(gè)體編碼成一個(gè)實(shí)數(shù)串。
[0169] 適應(yīng)度函數(shù)是指根據(jù)進(jìn)化目標(biāo)編寫的計(jì)算個(gè)體適應(yīng)度值得函數(shù)，通過適應(yīng)度函數(shù) 計(jì)算每個(gè)個(gè)體的適應(yīng)度值，提供給選擇算子進(jìn)行選擇。
[0170] 運(yùn)行參數(shù)主要包括群體規(guī)模、遺傳代數(shù)、交叉概率和變異概率。
[0171] 遺傳算法的基本操作包括選擇操作、交叉操作和變異操作。選擇操作是指從上一 代可行解中以一定概率選擇個(gè)體作為新的可行解，個(gè)體被選中的概率取決于適應(yīng)度值大 小，個(gè)體適應(yīng)度值越好，其被選中的概率越大；交叉操作是指從個(gè)體中選擇兩個(gè)個(gè)體，隨機(jī) 選擇一點(diǎn)或多點(diǎn)染色體位，實(shí)現(xiàn)對(duì)兩個(gè)染色體的交換組合，從而產(chǎn)生新的優(yōu)秀個(gè)體；變異操 作是指從群體中任意選擇一個(gè)個(gè)體，選擇染色體的一點(diǎn)進(jìn)行變異，以產(chǎn)生更加優(yōu)秀的個(gè)體。
[0172] 實(shí)施例二：
[0173] 如圖4所示是本發(fā)明實(shí)施例二的一種管制員工作負(fù)荷預(yù)測(cè)系統(tǒng)的示意圖，結(jié)合實(shí) 施例一可知，該管制員工作負(fù)荷預(yù)測(cè)系統(tǒng)100包括：
[0174] BP神經(jīng)網(wǎng)絡(luò)模塊1 :用于確定BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，利用遺傳算法優(yōu)化BP神經(jīng)網(wǎng) 絡(luò)的權(quán)值和閾值，根據(jù)樣本數(shù)據(jù)對(duì)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)；
[0175] 檢測(cè)模塊2 :輸入扇區(qū)交通流態(tài)勢(shì)指標(biāo)數(shù)實(shí)時(shí)數(shù)據(jù)檢測(cè)輸出管制員工作負(fù)荷指 數(shù)；其中，BP神經(jīng)網(wǎng)絡(luò)模塊1與檢測(cè)模塊2耦合。
[0176] 本系統(tǒng)由于采用定量分析方法，通過對(duì)海量運(yùn)行數(shù)據(jù)的不間斷檢測(cè)和計(jì)算分析， 推算出精確的未來時(shí)段空中交通流態(tài)勢(shì)指標(biāo)數(shù)據(jù)，并依靠對(duì)歷史數(shù)據(jù)的挖掘，獲取空中交 通流態(tài)勢(shì)與管制員工作負(fù)荷之間的關(guān)系，而通過BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)能學(xué)習(xí)和 存貯大量的輸入-輸出模式映射關(guān)系，無需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程，具有 突出的大規(guī)模并行處理、信息分布存儲(chǔ)及自學(xué)習(xí)功能。在此基礎(chǔ)上對(duì)管制員工作負(fù)荷進(jìn)行 預(yù)測(cè)，具有客觀、高效、準(zhǔn)確的優(yōu)勢(shì)，規(guī)避了人工預(yù)測(cè)易疲勞、易主觀化等經(jīng)驗(yàn)型管理的缺陷 問題；而且，本發(fā)明利用遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了優(yōu)化，遺傳算法是基于生物進(jìn)化原 理"自然界優(yōu)勝劣汰，適者生存"的自適應(yīng)優(yōu)化方法，該方法通過維持一組可行解，并對(duì)可行 解進(jìn)行重新組合，使好的可行解被保留，差的