孫建新，石鵬翔，吳一凡

?

基于遺傳-RBF神經(jīng)網(wǎng)絡(luò)的“拍照賺錢”定價方案的優(yōu)化

孫建新*，石鵬翔，吳一凡

（東北大學(xué)秦皇島分校，河北秦皇島，066004）

本文建立了一個RBF神經(jīng)網(wǎng)絡(luò)與遺傳算法結(jié)合點負(fù)反饋系統(tǒng)。首先用RBF神經(jīng)網(wǎng)絡(luò)對商家提供的835個拍照任務(wù)進行訓(xùn)練，用35個數(shù)據(jù)進行測試，仿真結(jié)果驗證了模型的準(zhǔn)確性，RBF訓(xùn)練后形成固定的網(wǎng)絡(luò)，之后利用遺傳算法對價格指標(biāo)進行優(yōu)化，將任務(wù)完成率作為優(yōu)化指標(biāo)，最終確定了任務(wù)完成率最優(yōu)的情況下的定價模型。

遺傳算法；RBF神經(jīng)網(wǎng)絡(luò)；拍照賺錢

引言

“拍照賺錢”是一種流行的基于APP的自助式服務(wù)模式，用戶可以通過在線領(lǐng)取任務(wù)，賺取該任務(wù)標(biāo)定的酬金。如果任務(wù)標(biāo)價合理，就能夠吸引用戶完成任務(wù)，從而達成互聯(lián)網(wǎng)公司和用戶的雙贏。因而，如何合理地標(biāo)定任務(wù)的價格成為整個APP運營中的核心問題。本文針對“拍照賺錢”的任務(wù)定價問題，用遺傳-徑向基神經(jīng)網(wǎng)絡(luò)對已有的定價方案進行優(yōu)化，以達到最大的任務(wù)完成率。

1 RBF神經(jīng)網(wǎng)絡(luò)模型

在開始優(yōu)化之前，我們首先要利用原始數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，使其能夠完成任務(wù)的分類。采用RBF神經(jīng)網(wǎng)絡(luò)對任務(wù)進行訓(xùn)練時，分別以會員信譽值、任務(wù)密度、任務(wù)的定價作為輸入量，把任務(wù)完成情況（0/1）作為輸出量。對于數(shù)據(jù)中的835個任務(wù)點，我們以前800組數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，后35組數(shù)據(jù)作為測試數(shù)據(jù)進行訓(xùn)練。

在徑向基網(wǎng)絡(luò)中，需要訓(xùn)練的參數(shù)有三種，分別是：隱含層中基函數(shù)的中心，隱含層中基函數(shù)的標(biāo)準(zhǔn)差，隱含層與輸出層間的權(quán)值。本文采用隨機選取固定中心的方法，基函數(shù)的中心和標(biāo)準(zhǔn)差都是固定的，需要訓(xùn)練的參數(shù)是隱含層與輸出層之間的權(quán)值。

隱含層基函數(shù)的中心隨機地從輸入樣本的數(shù)據(jù)中選取，且固定不變，確定中心后，基函數(shù)的標(biāo)準(zhǔn)按下式進行選?。?/p>

確定中心和標(biāo)準(zhǔn)差之后，得到基函數(shù)：

是第個輸入向量在第個隱含節(jié)點的輸出值，共有個訓(xùn)練輸入向量。

經(jīng)RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練后的35個測試數(shù)據(jù)與原始數(shù)據(jù)完全吻合，說明RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練效果較好。

2 遺傳算法優(yōu)化模型

我們用RBF神經(jīng)網(wǎng)絡(luò)對所有的任務(wù)數(shù)據(jù)進行訓(xùn)練，訓(xùn)練結(jié)果作為遺傳算法的適應(yīng)度函數(shù)，再用遺傳算法對價格進行優(yōu)化，將遺傳算法優(yōu)化后的價格再代入RBF神經(jīng)網(wǎng)絡(luò)，逐一判斷各任務(wù)是否被完成，并計算任務(wù)完成率。遺傳算法[4]優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的基本步驟如下所示：

（1）對任務(wù)的價格進行編碼；

（3）計算群體上每個個體的適應(yīng)度值;

（8）若不滿足終止條件，則轉(zhuǎn)第（3）步，否則進入下一步；

（9）輸出種群中適應(yīng)度值最優(yōu)的個體。

（10）將最優(yōu)個體代入RBF神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，利用輸出計算適應(yīng)度函數(shù)帶入遺傳算法。

整體算法流程圖如圖1所示：

圖1 算法流程圖

我們定義適應(yīng)度為任務(wù)完成率，設(shè)個體完成情況為，則：

則任務(wù)完成率計算公式為：

我們同時設(shè)定以下參數(shù)：

種群規(guī)模=40；

交叉概率P=0.9；

變異概率P=0.10；

個體長度P=20；

自變量取值范圍[65,85]；

最大遺傳代數(shù)M=30；

遺傳算法進化圖如下所示：

最高任務(wù)完成率max=71.9%，相對于數(shù)據(jù)中所給出的任務(wù)完成率=62.5%有了明顯提升。

3 結(jié)束語

本文建立了一個RBF神經(jīng)網(wǎng)絡(luò)與遺傳算法結(jié)合點負(fù)反饋系統(tǒng)。并用商家提供的數(shù)據(jù)進行訓(xùn)練，最終找到了任務(wù)完成率與定價之間的關(guān)系，并通過優(yōu)化得出了最佳的定價，提高了任務(wù)完成率。

[1] 邵永. 中藥溶液糖析出建模與參數(shù)優(yōu)化方法研究[M]. 東北大學(xué)碩士論文, 2016.

[2] 郁磊, 史峰, 等. MATLAB智能算法30個案例分析[M]. 北京: 北京航空航天大學(xué)出版社, 2015.

[3] 司守奎, 孫兆亮. 數(shù)學(xué)建模算法與應(yīng)用[M]. 北京: 國防工業(yè)出版社, 2015.

[4] 姜啟源, 謝金星, 葉俊. 數(shù)學(xué)模型（第四版）[M]. 北京: 高等教育出版社, 2010.

[5] 余勝威. MATLAB數(shù)學(xué)建模經(jīng)典案例實戰(zhàn)[M]. 北京: 清華大學(xué)出版社, 2015.

[6] 陳明, 等. MATLAB神經(jīng)網(wǎng)絡(luò)原理與實例精解[M]. 北京: 清華大學(xué)出版社, 2013.

[7] 高惠璇. 應(yīng)用多元統(tǒng)計分析[M]. 北京: 北京大學(xué)出版社, 2005.

Optimization of "Picture Making Money" Pricing Scheme Based on GA-RBF Neural Network

SUN Jianxin*, SHI Pengxiang, WU Yifan

(northeastern university at qinhuangdao, Hebei Qinhuangdao, 066004, China)

In this paper a combination point negative feedback system of RBF neural network and genetic algorithm is established. The first 835 training mission to take photographs of RBF neural network to provide businesses, was tested using the 35 data, the simulation results verify the accuracy of the model, RBF training after the formation of fixed network, then use genetic algorithm to optimize the price index, the task completion rate as the optimization index, and ultimately determine the task completion pricing model the optimal rate of case.

Genetic algorithm; RBF neural network; Take pictures to make money

10.19551/j.cnki.issn1672-9129.2017.08.007

TP393

A

1672-9129(2017)08-0015-02

孫建新, 石鵬翔, 吳一凡. 基于遺傳-RBF神經(jīng)網(wǎng)絡(luò)的“拍照賺錢”定價方案的優(yōu)化[J]. 數(shù)碼設(shè)計, 2017, 6(8): 15-16.

SUN Jianxin, SHI Pengxiang, WU Yifan. Optimization of "Picture Making Money" Pricing Scheme Based on GA-RBF Neural Network[J]. Peak Data Science, 2017, 6(8): 15-16.

2017-03-06；

2017-04-10。

孫建新(1997-)，男，山東泰安，本科生，專業(yè)，自動化。E-mail:49676058@qq.com