基于MPSO-BP网络的通用飞机航材需求预测方法技术

本发明专利技术将粒子群算法和BP网络相结合，提出了基于MPSO-BP网络的通用飞机航材需求预测方法。首先对通用飞机航材需求的主要影响因素进行分析研究，然后介绍了BP网络的基本原理和PSO算法及PSO算法的改进策略，构建了改进粒子群算法优化BP网络的预测模型。将通用飞机航材需求的五个主要影响因素作为网络的输入，通用飞机航材的需求量作为输出，建立了输入与输出的非线性映射关系，本发明专利技术可以实现对通用飞机航材需求量的精确预测，且具有很好的非线性拟合能力和泛化能力，提高了收敛效率、降低了陷入局部极小值的可能，具有更高的预测精度，在通用飞机航材需求预测中具有良好的应用效果。

【技术实现步骤摘要】

本专利技术属于通用飞机航材管理领域，具体涉及一种基于智能算法优化BP网络的通 用飞机航材需求预测的方法。
技术介绍
通用飞机航材需求预测直接影响通航企业的航材保障和成本管理，不准确的预测 会造成航材短缺或者浪费，而准确的预测可以在满足高保障率的同时大大降低成本，因此 如何科学地确定通用飞机航材需求量一直是通航企业的重点研究课题。 目前，关于航材需求预测方法的研究已取得一些研究成果。贾治宇对基于求和自 回归滑动平均模型的航材消耗预测方法进行研究，提出将使用过程中航材消耗的数据看作 时间序列，建立相应的ARIMA(p，d，q)预测模型。杨仕美将基于最小二乘支持向量机的一元 预测方法和多元预测方法相结合，提出了一种组合预测模型，使用信息熵理论对模型的权 重系数进行优化，给出了预测方法的计算步骤。李晓宇以航材需求预测为研究对象，以任务 为中心，综合考虑装备使用可用度和经济性约束，利用蒙特卡罗建立航材需求仿真模型，采 用边际效益分析优化求解。由于影响航材需求的因素是复杂的、非线性的，利用传统的数值方法很难建立精 确的数学模型，因此，有关学者将目光转向在处理非线性问题时有着明显优势的神经网络 研究领域。在实际应用中，80%-90%的神经网络模型采取BP网络或它的变化形式，它是人 工神经网络中最成熟的一种，体现了人工神经网络最精华的部分。宋辉在分析影响航材消 耗的主要因素的基础上提出了基于GM-BP网络的航材需求预测方法，首先利用灰色预测模 型对数据样本进行预测，然后从预测值中选出和实际值最接近的作为BP网络的输入样本， 最后用BP网络进行训练和预测。董蒙利用主成分分析方法对影响航材预测的众多因素变量 进行分析，去除了原始输入数据之间的相关性，降低数据维度，提出了基于主成分分析的BP 网络预测模型，通过实例仿真，取得较好的效果。但是，BP网络算法存在容易陷入局部最优、 收敛速度慢等缺陷。针对BP网络的缺陷，不少学者采用PS0算法对其进行改进。PS0算法是一 种群体智能优化算法，算法简单，易于实现，但应用于高维复杂问题时，往往会出现早熟收 敛、后期收敛速度缓慢的现象，无法保证收敛到最优点。 需要指出的是，国内对通用飞机航材需求预测的研究刚刚起步，已有的文献中多 数都是针对军用飞机或者是运输机的航材进行预测，且对通用飞机航材的需求预测大都是 采用传统的数学建模方法，导致预测结果不准确，通航企业无法实现在高水平保障率和低 库存成本之间的一种平衡，往往只能用超量的库存来保证及时供应，产生占用大量资金的 航材库存。 为克服PS0算法的上述缺点，本文对PS0算法进行改进，构建了改进PS0算法优化BP 网络的通用飞机航材需求预测模型。目前，基于MPS0-BP网络实现通用飞机航材需求预测 的研究还没有文献报道。 针对通用飞机航材需求预测问题，提出了改进PS0算法优化BP网络的通用飞机航 材需求预测方法。首先对通用飞机航材需求的主要影响因素进行分析研究，然后介绍了BP 网络的基本原理和PSO算法的改进策略，构建了改进粒子群算法优化BP网络的预测模型。本 专利技术可以实现对通用飞机航材需求量的精确预测，且具有很好的非线性拟合能力和泛化能 力，提高了收敛效率、降低了陷入局部极小值的可能，具有更高的预测精度，在通用飞机航 材需求预测中具有良好的应用效果。
技术实现思路
本专利技术为了解决通用飞机航材需求预测的问题，提出了基于MPS0-BP网络的通用 飞机航材需求预测方法。首先对通用飞机航材需求的主要影响因素进行分析研究，然后介 绍基本PS0算法及其改进策略，构建了改进粒子群算法优化BP网络的预测模型。 步骤1:通用飞机航材需求的影响因素分析。 由于通用飞机航材需求量的影响因素是复杂的、非线性的，不可能对全部因素进 行权衡考虑，只需要对关键因素进行分析。通过文献分析研究并结合专家意见，以某型通用 飞机的航材为例，对通用飞机航材损耗的分析，得到以下五种影响航材需求的主要因素： (1)计算时间间隔内的飞行时间(Pi) 使用时间的长短直接影响航材的寿命，飞行时间越长，对航材的使用频次越多，必 然会导致航材损耗的加剧，从而影响航材需求量。 ⑵航材故障率(P2)故障率是航材在t时刻处于完好状态，在此后的单位时间内发生故障的条件概率， 一般情况下是时间t的函数，是一种固有特性，取决于产品的特点和设计制造水平。航材质 量越好，故障率越低，航材需求越少。 ⑶航材平均故障间隔时间（p3) 平均故障间隔时间，是指该航材件从开始使用到失效前的工作时间的平均值，是 衡量航材可靠性水平的重要指标。平均故障间隔时间越长，航材的可靠性水平就越高，需求 量越小。 (4)维修人员的技术水平(P4) 维修人员作为航材保障活动的主体，其技术水平的高低将直接影响到航材保障的 整体效能。航材维修的熟练程度和技术水平需要经过一定的时间才能提高。维修人员技术 水平越高，有效维修时间越长，对故障件的修复能力越强，航材需求量就越小。为了便于量 化，本文将这一指标量化为技术水平偏低的人员比例。 (5)环境因素(P5) 高温、高湿度、强日照、强风等环境因素将影响航材的使用和存储。例如，金属件航 材会因潮湿、氧化而腐蚀；电子仪器会因高压、高温失效或者精度降低等等。环境的影响可 以量化为1至7的整数，数值越大表明环境越差，对航材需求的影响越大。 步骤2:对基本PS0算法的改进。 PS0算法是一种源于对鸟类捕食行为的研究而产生的优化算法，最先由Eberhart 博士和Kennedy博士于1995年提出，是基于群智能的全局优化技术。其数学意义为:假设在 一个Μ维的搜索空间中，有N个粒子组成的种群X = (Xi，X2，L，XN)，其中每个粒子都代表问题 的一个潜在最优解，根据适应度函数可计算出每个粒子位置心^^^丄义以对应的适 应度值，适应度值的好坏则表示粒子的优劣。每个粒子还有一个速度KUALAdl 定它们飞翔的方向和距离。这样用位置、速度和适应度值三项指标就可以表示该粒子的特 征。该算法随机初始化一群粒子，然后通过迭代寻优，在每次迭代过程中，粒子通过个体极 值Pi = T和全局极值Pg= ^新自身的速度和位置，更新公式 如下： 式中，Vim为粒子的速度;Xim为粒子的位置;C1和C2为加速度因子;ri和Γ2为分布于 之间的随机数;m=l，2，L，M;i = l，2，L，N;k为当前迭代次数。 为了克服基本PS0算法的缺陷，同时采用自适应变异和设置线性递减惯性权重两 个策略对其进行改进。 步骤2.1:自适应变异借鉴遗传算法中的变异思想，在基本PS0算法的基础上引入变异操作，即在粒子每 次的速度和位置更新之后，以一定的概率重新初始化粒子。变异操作的引入增加了种群多样性，使得粒子能够跳出先前搜索到的最优位置， 在更大的空间中开展搜索，以获得更好的全局寻优能力，可以避免粒子群陷入局部最优。 步骤2.2:线性递减惯性权重的设置 为了改善基本粒子群算法的收敛性能，在速度更新公式中添加一个惯性权重ω， 即 其中，c〇start为初始惯性权重；ω-为迭代至最大次数时的惯性权重;k为当前迭代 代数;TmaxS最大迭代代数。一般来说，惯性权值取值为ω start = 〇 . 9、ω end = 〇 .本文档来自技高网...

【技术保护点】
基于MPSO‑BP网络的通用飞机航材需求预测方法，其特征在于包括以下步骤：步骤1：对通用飞机航材需求的影响因素进行分析；步骤2：对基本PSO算法改进；步骤3：建立MPSO—BP网络预测模型。

【技术特征摘要】

【专利技术属性】
技术研发人员：陈侠，王拓，
申请(专利权)人：沈阳航空航天大学，
类型：发明
国别省市：辽宁;21