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(tǒng)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(yī)療衛(wèi)生及貧困與收入不平等的相關影響、扶貧開發(fā)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(yōu)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(yōu)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(tǒng)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(huán)境維度、生活狀況維度、精準扶貧政策效果和人文發(fā)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(guī)模為N，搜索空間維數(shù)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，F(xiàn)2，…，F(xiàn)D］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(shù)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(tài)為X1d；d=1，2，3，…，D為領導者的維數(shù)；追隨者的狀態(tài)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(shù)，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(shù)；T為樽海鞘算法的最大迭代次數(shù)。

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(jù)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(jié)點數(shù)為n，隱含層節(jié)點數(shù)為l，輸出層節(jié)點數(shù)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(shù)f。

2）計算隱含層輸出。根據(jù)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(shù)學表達式為f(x) = 1/(1+e-x)。

3）計算輸出層輸出。根據(jù)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(shù)據(jù)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(huán)境維度、生活狀況維度、精準扶貧政策效果和人文發(fā)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(shù)據(jù)主要來源于經濟報告中的宏觀數(shù)據(jù)和調查問卷獲得的微觀數(shù)據(jù)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(fā)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(shù)和被分成其他等級的樣本數(shù)；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(shù)和誤報數(shù)量。

3 基于SSA-BPNN 的精準扶貧成效評價模型

3.1 目標函數(shù)

SSA 算法優(yōu)化BPNN 的主要思路為利用SSA 算法優(yōu)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(shù)，獲取BPNN 最優(yōu)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(yōu)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(shù)為［11，12］：

式中，n為訓練樣本集的數(shù)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(shù)據(jù)集為訓練數(shù)據(jù)和測試數(shù)據(jù)；之后，針對訓練數(shù)據(jù)集運用SSA 優(yōu)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(yōu)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(shù)據(jù)，劃分數(shù)據(jù)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(shù)量InNum、隱含層神經元數(shù)量HidNum和輸出層神經元數(shù)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(guī)模N、最大迭代次數(shù)T，按照公式（1）隨機初始化樽海鞘種群。

5）針對訓練數(shù)據(jù)，將訓練數(shù)據(jù)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(yōu)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(yōu)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(yōu)食物位置，即最優(yōu)食物位置對應的就是BPNN 模型的最優(yōu)初始權值和閾值，將最優(yōu)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(shù)設置如下：①SSA 算法，種群規(guī)模N=20、最大迭代次數(shù)Tmax=50；②粒子群算法（Particle swarm optimization，PSO），種群規(guī)模N=20、最大迭代次數(shù)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(guī)模N=20、最大迭代次數(shù)Tmax=50、交叉概率pc=0.7、變異概率pm=0.1；④螢火蟲算法（Firefly algorithm，F(xiàn)A），種群規(guī)模N=20、最大迭代次數(shù)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(shù)量InNum=16、隱含層神經元數(shù)量HidNum=32 和輸出層神經元數(shù)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(shù)據(jù)，首先將16 個精準扶貧成效評價二級指標的得分數(shù)據(jù)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(yōu)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(shù)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(yōu)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(shù)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(yōu)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(yōu)和訓練速度過慢的問題，運用樽海鞘算法優(yōu)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(tǒng)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(xù)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。