差分蝙蝠算法在精準扶貧中的應用

李 倩，陳 亮，李長英，朱元凱

(泰山職業技術學院 信息技術系，山東 泰安 271000)

1 引言

習近平總書記于2013年提出了精準扶貧的思想，為我國扶貧工作指定了方向.各方面的學者、專家和實際工作者把工作重心轉移到精準扶貧上，研究了扶貧的內涵特征、問題成因、實施困境等內容，并獲得了一定的學術成就.在實際工作中判斷貧困區域和貧困家庭時，基本采用家庭總收入、家庭總支出、成員健康狀況、村委會和村民對該家庭的評價等多項指標進行統計分類的方法確定貧困家庭.但是由于貧困家庭千差萬別，僅依靠簡單的統計很難準確區分貧困家庭，甚至會導致偏差.張翔提出的教育扶貧對象精準識別模式將重點放在了民主評議上；劉小珉設計了多維貧困的測量模型，該模型僅僅是按貧困度排序.本文引入差分蝙蝠算法對貧困家庭進行優化選擇，以提高貧困家庭選擇的精確度.

2 差分蝙蝠算法

基本蝙蝠算法(Bat Algorithm，BA)是模擬自然界中蝙蝠利用一種聲吶來探測獵物、避免障礙物的隨機搜索算法，即模擬蝙蝠利用超聲波對障礙物或獵物進行最基本的探測、定位能力并將其和優化目標功能相聯系.BA算法的仿生原理將種群數量為n的蝙蝠個體映射為D維問題空間中的NP個可行解，將優化過程和搜索模擬成種群蝙蝠個體移動過程和搜尋獵物利用求解問題的適應度函數值來衡量蝙蝠所處位置的優劣，將個體的優勝劣汰過程類比為優化和搜索過程中用好的可行解替代較差可行解的迭代過程.

基本蝙蝠算法中的兩個參數:音量的衰減系數α和搜索頻率的增強系數,對算法性能的影響非常大.如何有效平衡算法的尋優精度和收斂速度,關鍵是合理設置參數的值.仿真過程通過反復調整參數的值,才能得到合適的參數的值.為解決相關問題，肖輝輝等將把差分算法引入到了蝙蝠算法中，創造了差分蝙蝠算法.

差分蝙蝠算法有兩個突出點：(1)將基本蝙蝠算法對數據的連續性要求降低為離散；(2)為群蝙蝠個體更新提供了變異、交叉、選擇等操作，從而達到增加蝙蝠個體的多樣性，提高算法的全局尋優能力和局部搜索能力.

(1)變異操作：vij(t)=ua(t)+F(ub(t)-uc(t))，其中ua(t)、ub(t)、us(t)是各不相同的用戶，是縮放因子F∈[0，2].

(1)

(2)

CR∈[0，1]為交叉概率，rand(0,1)是[0，1]上服從均勻分布的隨機函數，rand(1,n)∈[1，2，…，d]的隨機函數.

(3)

DEBA算法將差分進化算法和蝙蝠算法各自的優點融合在一起，使DEBA算法不僅具有強大全局尋優能力，而且也具有強大的局部搜索能力，從而克服了BA算法收斂精度不高、容易陷入局部最優、后期收斂速度慢等缺點[1].

3 貧困家庭選擇模型

貧困家庭選擇是精準扶貧的關鍵問題.解決貧困家庭識別問題最直接的分析方法當然是從單個指標入手，通過計算各項指標的數值進行判斷是否達到貧困狀況.這種直接方法往往受單個指標影響，導致判斷失誤，所以應采用多個指標進行綜合考察.因此根據貧困家庭申報數據，調查每個貧困家庭，按多貧困指標采集貧困家庭的數據，構造貧困家庭-指標矩陣.

則貧困家庭-指標矩陣記為X=UF={xi,j}，xi,j為第i個貧困家庭的第j個指標的值.

每個貧困指標都設定閥值，其值大小是判定貧困家庭的最低標準，貧困指標的閥值由經驗或政府部門制定.記貧困剝奪個體矩陣記為：

G={gi，j}，其中gi，j為第i個貧困家庭第j個指標的滿足情況.

記貧困剝奪個體數矩陣為Q={qi，j}，其中，

貧困指數記為：

M(k)=H(k)×A(k)

(4)

4 基于差分蝙蝠算法的貧困家庭優選算法

設定ui(t)是第t代的第i個貧困家庭集合，則ui(t)==(ui1(t)，ui2(t)，…,uim(t))，umin≤ui(t)≤umax，[umin，umax]是搜索空間.算法步驟如下：

Step1:種群初始化，隨機選擇n個蝙蝠(貧困家庭)作為一組初始解.

Step2:以上年的貧困家庭作為初始解，即蝙蝠的初始位置ui，根據公式4計算貧困度并確定當前最優解u*.

Step5:根據公式1、2、3進行變異、交叉、選擇等變換操作計算蝙蝠的新位置.

Step6:按式4計算所有蝙蝠的適應度從而得當前最優解u*，如果存在ui滿足f(ui,u*)<ε則將u*、ui合并，將次優解為最優解.

Step7:重復執行Step2～Step7，直到迭代次數達到規定次數或沒有蝙蝠ui滿足f(ui，u*)<ε.

5 實驗分析

采用CHES2014齊河縣農村居民調查數據，該數據僅包含農業人口.數據來源自該縣12個鄉鎮、1012個行政村7257個樣本戶.貧困指標包含收入、教育、疾病、保險、飲用水、衛生設施、廚房燃料、電器資產及住房條件(表1).設定最大脈沖率R0=0.4，脈沖頻率增強系數為0.02，脈沖頻率范圍[0，2]，最大脈沖音量A0=0.35，脈沖音量衰減系數為0.9，尺度因子F=0.4，交叉概率CR=0.15，最大迭代次數為10000.

執行算法后得到貧困家庭數共406家，與上年貧困家庭數相比，存在一定的偏差，即35家上年貧困家庭未列入，同時有21家是新列入貧困家庭.通過走訪偏差家庭發現，新列入家庭有4家不符合標準，未列入的上年貧困家庭只有7家仍符合貧困標準.即與上年數據的契合率達到了98.2%.

表1 部分貧困家庭得分

6 總結

本文討論了精準扶貧研究中的量化問題，將差分蝙蝠算法引入到貧困家庭識別中來，構造了基于差分蝙蝠算法的貧困家庭篩選算法.計算結果表明算法能夠減少由主觀因素帶來的偏差問題，使真正的貧困家庭得到國家扶持，脫離貧困，走向富余.本文以齊河縣為樣本進行貧困家庭識別，與同期該區域人工確定的貧困家庭基本符合，并排除了部分不符合扶持條件的家庭，基本達到了精準扶貧的目的.

[參考文獻]

[1]肖輝輝,段艷明.基于DE算法改進的蝙蝠算法[J].計算機仿真,2014(1):272-278.

[2]陳亮,李長英.一個基于差分蝙蝠算法的推薦算法[J].泰山學院學報，2017，39(3):75-78.

[3]盛孟龍,賀興時,王慧敏.一種改進的自適應變異蝙蝠算法[J].計算機技術與發展，2014(7):131-134.

[4]李枝勇,馬良,張惠珍.0-1規劃問題的元胞蝙蝠算法[J].計算機應用研究，2013(10):23-26.

[5]尚俊娜,劉春菊,岳克強,李林.具有自學習能力的變異蝙蝠優化算法及性能仿真[J].系統仿真學報，2017(2):104-107.