基于SSA-BPNN 的農村精準扶貧成效評價

來阿龍

（陜西國際商貿學院，西安 712046）

精準扶貧是一項系統性、綜合化的工程，為完善精準扶貧成效的評價機制，提高精準扶貧效率，進行農村精準扶貧成效評價具有重要的實踐意義。精準扶貧成效評價的研究方法主要有模糊綜合評價法、多元線性回歸法和路徑分析法等［1，2］，評價指標主要涉及義務教育質量、農戶對扶貧項目的透明度及參與度、醫療衛生及貧困與收入不平等的相關影響、扶貧開發政策對農戶家庭稟賦特征等多方面。扶貧成效評價的研究內容主要集中于扶貧政策的綜合評價，而從農戶滿意度視角的研究較少。

本研究針對反向傳播神經網絡（Back propagation neural network，BPNN）收斂速度慢和局部最優的問題，運用樽海鞘算法［3］（Salp swarm algorithm，SSA）對BPNN 的權值和閾值進行自適應優化選擇，建立基于農戶滿意度的SSA-BPNN 的農村精準扶貧成效評價模型。

1 精準扶貧成效評價指標

精準扶貧成效評價是一項系統而復雜的工作，扶貧成效評價的前提是建立精準扶貧成效評價指標體系。本研究在相關文獻［4，5］的基礎上，從生存環境維度、生活狀況維度、精準扶貧政策效果和人文發展與社會保障4 個角度建立基于農戶滿意度的精準扶貧成效評價指標體系，具體如圖1 所示。

圖1 基于農戶滿意度的精準扶貧成效評價指標體系

2 研究方法

2.1 樽海鞘算法

2.1.1 初始化種群 在標準SSA 算法中，樽海鞘算法的種群規模為N，搜索空間維數為D，樽海鞘的位置為X=［Xn1，Xn2，…，XnD］T，n=1，2，…，N，食物位置為F=［F1，F2，…，FD］T，搜索空間上限為ub=［ub1，ub2，…，ubD］T，搜索空間下限為lb=［lb1，lb2，…，lbD］T，樽海鞘算法的種群隨機初始化公式為［6］：

式中，XN×D為樽海鞘位置向量，向量維數為N×D；rand（N，D）為N×D維的隨機向量。

在樽海鞘算法的種群中，領導者的狀態為X1d；d=1，2，3，…，D為領導者的維數；追隨者的狀態Xm d；m=2，3，…，N為追隨者的編號。

2.1.2 更新領導者位置 在標準SSA 算法中，領導者引領整個樽海鞘群體的移動，用來搜索食物，這一操作的主要目的是使領導者位置更新方式具有很強的隨機性，領導者更新策略按公式（2）計算：

式中，X1d為引領者位置；ubd,lbd分別為引領者個體在d維上的搜索上限和搜索下限；c1、c2為隨機數，處于［0，1］；c3為搜索平衡因子，主要用于平衡全局搜索和局部搜索能力，增強引領者的隨機性和多樣性。收斂因子按公式（3）計算：式中，c1為收斂因子；t為樽海鞘算法的當前迭代次數；T為樽海鞘算法的最大迭代次數。

2.1.3 更新追隨者位置 參考文獻［7］，初始位置、速度和加速度直接關系到追隨者的位置，跟隨者根據牛頓運動方程更新位置：

式中，a為加速度；v0為初始速度；ta為迭代步長；R為運動距離；Xm′d、Xm d分別為更新后和更新前第m個追隨者第d維位置。

2.2 反向傳播神經網絡

BPNN 一般由輸入層、隱含層和輸出層組成，其網絡結構如圖2 所示［8］。

圖2 BPNN 網絡結構

圖2 中，BPNN 的輸入變量和輸出變量分別為X=（X1，X2，…，Xn）和Y=（Y1，Y2，…，Ym），BPNN 網絡訓練過程可詳細描述如下。

1）初始化BPNN 網絡。由BPNN 的輸入變量X=（X1，X2，…，Xn）和輸出變量Y=（Y1，Y2，…，Ym）確定BPNN 的輸入層節點數為n，隱含層節點數為l，輸出層節點數為m；初始化輸入層、隱含層和輸出層神經元之間的連接權值wij和wjk；設定隱含層閾值為a和輸出層閾值為b，學習速率η和隱含層激勵函數f。

2）計算隱含層輸出。根據BPNN 輸入變量X，輸入層與隱含層的連接權值wij和隱含層閾值a，計算隱含層輸出H。

式中，f（x）的數學表達式為f(x) = 1/(1+e-x)。

3）計算輸出層輸出。根據BPNN 隱含層輸出H，隱含層和輸出層神經元之間的連接權值wjk和輸出層閾值b，計算BPNN 的預測值O。

4）計算網絡誤差e。

5）更新權值。

6）更新閾值。

7）算法終止條件。若滿足終止條件，則算法停止；否則，返回第二步。

2.3 數據來源

結合陜西省精準扶貧工作實際情況，運用層次分析法從生存環境維度、生活狀況維度、精準扶貧政策效果和人文發展與社會保障4 個角度建立基于農戶滿意度的精準扶貧成效評價指標體系，包括房屋用料基礎滿意度、居住條件滿意度、道路硬度滿意度等16 個二級指標［9，10］。研究數據主要來源于經濟報告中的宏觀數據和調查問卷獲得的微觀數據以及政策文件，問卷調查的對象主要為扶貧對象，問卷調查內容主要集中于農戶對扶貧政策的了解程度和滿意程度，共發放了200 份問卷，最終回收有效問卷194份，有效問卷回收率為97%。農戶對精準扶貧成效的滿意程度分為不滿意、一般、良好、比較滿意和非常滿意5 個等級。

2.4 評價指標

為了評估SSA-BPNN 進行精準扶貧的成效評價效果，選擇準確率（Accuracy，ACC）作為評價指標。

式中，TP和TN分別為精準扶貧成效等級被正確分類的樣本數和被分成其他等級的樣本數；FP和FN分別為精準扶貧成效評價其他等級被錯分的樣本數和誤報數量。

3 基于SSA-BPNN 的精準扶貧成效評價模型

3.1 目標函數

SSA 算法優化BPNN 的主要思路為利用SSA 算法優化BPNN 模型的初始網絡權值和閾值，選擇BPNN 訓練誤差作為SSA 算法的適應度函數，獲取BPNN 最優初始網絡權值和閾值的過程。針對BPNN 模型精度受其初始網絡權值和閾值設定的影響，本研究運用SSA 算法自適應優化選擇BPNN 模型的初始網絡權值和閾值，SSA-BPNN 模型的適應度函數為［11，12］：

式中，n為訓練樣本集的數量；xobs（i）和xpre（i）分別為第i個樣本的實際值和預測值；［wmin，wmax］和［bmin，bmax］分別為BPNN 模型的初始權值w、閾值b取值下限和上限。

3.2 算法步驟

基于SSA-BPNN 的精準扶貧成效評價流程如圖3 所示。首先，10 折劃分收集的精準扶貧成效評價數據集為訓練數據和測試數據；之后，針對訓練數據集運用SSA 優化BPNN 模型的權值和閾值建立基于SSA-BPNN 的精準扶貧成效評價模型；最后，將SSA尋優獲取的最佳權值和閾值代入BPNN 模型進行測試，算法主要步驟如下。

圖3 基于SSA-BPNN 的精準扶貧成效評價流程

1）讀取精準扶貧成效評價數據，劃分數據集為訓練集和測試集并歸一化處理。

2）確定BPNN 的網絡結構。輸入層神經元數量InNum、隱含層神經元數量HidNum和輸出層神經元數量OutNum，并進行網絡初始化。

3）對網絡連接權重和閾值進行編碼，編碼長度S如下。

4）種群初始化。設定BPNN 模型的初始權值和閾值的取值上、下限、樽海鞘種群規模N、最大迭代次數T，按照公式（1）隨機初始化樽海鞘種群。

5）針對訓練數據，將訓練數據代入BPNN 模型，按照公式（14）計算每個樽海鞘的適應度fobj。

6）選定食物、領導者和追隨者。對每個樽海鞘的適應度進行排序，最優適應度所對應的樽海鞘位置就是樽海鞘當前食物位置，當前食物的適應度為ffood；剩下的N-1 個樽海鞘被分成追隨者和領導者，N-1 個樽海鞘個體中，將適應度較差的（N-1）/2 個樽海鞘當作追隨者，剩下（N-1）/2 個樽海鞘當作領導者。

7）按照公式（2）和公式（5）更新領導者和追隨者的位置。

8）計算位置更新之后樽海鞘個體的適應度fs，如果fs＞ffood，則適應度更優的樽海鞘位置替換當前食物的位置，被記錄為新的樽海鞘食物位置。

9）重復第（5）至（8）步，當t＞T時，輸出最優食物位置，即最優食物位置對應的就是BPNN 模型的最優初始權值和閾值，將最優初始權值和閾值代入BPNN 模型進行精準扶貧成效評價。

4 試驗與結果分析

為了驗證SSA-BPNN 進行精準扶貧成效評價的有效性，將SSA-BPNN 與FA-BPNN、PSO-BPNN、GA-BPNN 和BPNN 進行對比。不同算法參數設置如下：①SSA 算法，種群規模N=20、最大迭代次數Tmax=50；②粒子群算法（Particle swarm optimization，PSO），種群規模N=20、最大迭代次數Tmax=50、慣性權重w=0.2、學習因子c1=c2=2；③遺傳算法（Genetic algorithm，GA），種群規模N=20、最大迭代次數Tmax=50、交叉概率pc=0.7、變異概率pm=0.1；④螢火蟲算法（Firefly algorithm，FA），種群規模N=20、最大迭代次數Tmax=50、初 始 吸 引 度β0=1、步 長 因 子α=0.5；⑤BPNN 模型，輸入層神經元數量InNum=16、隱含層神經元數量HidNum=32 和輸出層神經元數量OutNum=1。圖4 為不同評價算法的收斂曲線對比。10 折交叉劃分194 個樣本數據，首先將16 個精準扶貧成效評價二級指標的得分數據作為BPNN 的輸入向量，精準扶貧成效評價等級（不滿意、一般、良好、比較滿意和非常滿意）作為BPNN 的輸出向量，建立精準扶貧成效評價BPNN 模型，精準扶貧成效評價等級標準如表1 所示；其次，運用SSA 優化BPNN 模型的初始權值和閾值，建立SSA-BPNN 的精準扶貧成效評價模型。圖5 為不同運行次數與ACC關系，表2 為不同算法ACC對比結果。

表1 精準扶貧成效評價等級標準

由 圖4 可 知，與FA-BPNN、PSO-BPNN、GABPNN 相比，SSA-BPNN 具有更低的適應度以及更快的收斂速度。由圖5 可知，獨立運行10 次，SSABPNN 進行精準扶貧成效評價的準確率整體明顯優于FA-BPNN、PSO-BPNN、GA-BPNN 和BPNN，其中BPNN 的準確率最低。

圖4 收斂曲線對比

圖5 不同運行次數與ACC 關系

由 表2 可 知，SSA-BPNN 的 準 確 率ACC為95.96%，較FA-BPNN、PSO-BPNN、GA-BPNN 和BPNN 分 別 提 高 了4.35、5.92、5.23 和16.23 個 百 分點。通過對比可知，SSA-BPNN 進行精準扶貧成效評價具有更高的準確率。

表2 不同算法ACC 對比結果

5 小結

本研究建立了基于農戶滿意度的樽海鞘算法優化反向傳播神經網絡的農村精準扶貧成效評價模型。針對反向傳播神經網絡易陷入局部最優和訓練速度過慢的問題，運用樽海鞘算法優化選擇反向傳播神經網絡的初始權值和閾值，建立基于SSABPNN 的農村精準扶貧成效評價模型。結果表明，與FA-BPNN、PSO-BPNN、GA-BPNN 和BPNN 相比，SSA-BPNN 具有更高的準確率，為精準扶貧成效評價提供了方法。精準扶貧成效評價是一項復雜和系統的工作，本研究僅從農戶滿意度的角度對精準扶貧成效進行了評價，不能全面評價精準扶貧成效，后續將構建多維度的精準扶貧成效評價指標體系并進行相應評價，提高模型的適用性和可靠性。