林建邦 王天

摘要：隨著人工智能技術在全球迅速發(fā)展，國內的傳統(tǒng)制造業(yè)開始積極向智能制造方向轉型，制造業(yè)智能化轉型后的經(jīng)營績效成為企業(yè)關注的重要課題。本文主要基于改善果蠅演算法（FOA）容易陷入局部極值與氣味濃度為正值的兩大局限上，提出一種新的LCFOA演算法進行經(jīng)營績效預測模型的優(yōu)化。本文以國內智能制造業(yè)為研究對象，分別建構了基本的反向傳遞神經(jīng)網(wǎng)絡（BP）、優(yōu)化的FOA-BP以及改進的LCFOA-BP經(jīng)營績效預測模型。結果顯示，LCFOA-BP模型的預測精度與建模效率最佳、FOA-BP次之、BP最差。由此可證明，LCFOA能有效提升經(jīng)營績效模型的預測能力，有助于在我國智能制造業(yè)經(jīng)營績效上的預測與應用，以確保國內制造業(yè)智能化轉型的永續(xù)發(fā)展。

關鍵詞：LCFOA;人工智能;人工神經(jīng)網(wǎng)絡;智能制造;預測模型

中圖分類號：F272;F224 文獻標識碼：A 文章編號：1007-9416（2019）04-0084-03

0 前言

隨著《中國制造2025》和《智能制造發(fā)展規(guī)劃（2016-2020年）》的出臺，傳統(tǒng)制造業(yè)向智能制造方向轉型成為我國實施制造強國的重要戰(zhàn)略。許多傳統(tǒng)制造企業(yè)開始擴大對智能制造的投入，積極參與人工智能應用與程序的開發(fā)，一方面加快了智能制造的研究與實踐，另一方面也加速了產(chǎn)業(yè)的擴張。根據(jù)前瞻產(chǎn)業(yè)研究院研究報告指出，近年來中國智能制造行業(yè)產(chǎn)值每年以超過22%的比例持續(xù)增長，至2017年為止，國內智能制造行業(yè)產(chǎn)值規(guī)模將近1.5萬億元，是我國呈現(xiàn)較快增長的產(chǎn)業(yè)之一[1]。然而，在智能制造業(yè)高速發(fā)展的情況下，企業(yè)的經(jīng)營績效如果沒有獲得有效的評估與預測，企業(yè)的成本和經(jīng)營狀況很容易失控，造成經(jīng)營上的危機。因此，為了確保國內智能制造產(chǎn)業(yè)的永續(xù)發(fā)展，建構一套適合中國智能制造產(chǎn)業(yè)的經(jīng)營績效預測模型是非常值得研究的一項課題。

人工智能時代的來臨使得數(shù)據(jù)的商業(yè)價值在產(chǎn)業(yè)界不斷地被開發(fā)與提升，傳統(tǒng)的統(tǒng)計分析方法已無法滿足企業(yè)的需求。此時，有一部分學者開始利用自然界或生物界中對于事物判斷的一些規(guī)律或機制，透過數(shù)據(jù)演算的尋優(yōu)過程找出最優(yōu)解，有效提升研究結果的精確性，此類方法稱為群體智能優(yōu)化算法，而果蠅優(yōu)化算法（fruit fly optimization algorithm，F(xiàn)OA）是近年來較廣泛被討論的方法之一。FOA是由學者潘文超于2011年根據(jù)果蠅飛行覓食的過程設計提出的一種群體智能優(yōu)化算法[2]。FOA與其他群體智能優(yōu)化算法相比，具有易于理解、易于計算、全局尋優(yōu)能力強等優(yōu)點[3]，應用價值相對較高，現(xiàn)已被應用到許多領域的研究之中，諸如：金融預警模型[2]、交通流量預測模型[4]、電力負荷預測[5]等等，F(xiàn)OA都有不錯的優(yōu)化表現(xiàn)。然而，雖然FOA在不同領域受到廣泛應用，但由于自身演算法設計的限制，導致FOA存在容易產(chǎn)生局部極值[6]與濃度判定值無法為負數(shù)的局限[7]。

因此，本文在同時考慮上述實際應用與理論背景所面臨問題的基礎上，提出一種改進的果蠅優(yōu)化算法——logit-cosine-FOA（簡稱LCFOA）來改善FOA的局限性，并與FOA優(yōu)化結果進行比較，確認LCFOA的有效性;另一方面，以國內智能制造業(yè)為研究對象，實際應用LCFOA優(yōu)化來建構適用于中國智能制造業(yè)的經(jīng)營績效預測模型，并找出影響智能制造業(yè)經(jīng)營績效預測的指標體系，提升國內智能制造產(chǎn)業(yè)的發(fā)展，達成以“中國智造”創(chuàng)新強國的實踐目標。

1 改進的果蠅優(yōu)化算法（LCFOA）

根據(jù)前述指出的FOA局限問題，本文以改善FOA的研究思路為出發(fā)點，提出一種改進的LCFOA方法。LCFOA主要通過以下兩種方式的改進，解決FOA容易陷入局部極值與濃度判定值無法為負數(shù)的問題。LCFOA方法的完整說明如下。

1.1 搜索策略的改變

FOA極值的出現(xiàn)與搜索步長有非常大的關系。搜索步長越大，個體果蠅的搜索空間越大，全局搜索能力越強，但局部搜索能力會降低，可能造成無法收斂的情況;相反地，步長越小，個體果蠅的搜索空間越小，局部搜索能力越強，則容易陷入局部極值。由此可知，F(xiàn)OA在進行搜索的過程中，果蠅以其搜索距離為步長隨機搜索食物，若搜索步長變化幅度過小或固定，則存在容易陷入局部極值的情況。因此，適當?shù)貙λ阉鞑介L進行調整是控制極值出現(xiàn)的重要關鍵。

本文通過兩階段方式，以固定比例逐漸增加或縮小的方式調整搜索步長，避免LCFOA發(fā)生陷入局部極值的問題。第一階段為增加步長過程：搜索步長以1.1的倍數(shù)不斷增大，逐步擴大搜索空間，主要在提升LCFOA的全局搜索能力;然而，由于步長的不斷增大可能造成無法收斂，找不到優(yōu)化極值。因此，在搜索過程中會進行第二階段的減小步長過程：搜索步長以0.9的倍數(shù)不斷縮小，使LCFOA找到優(yōu)化極值。搜索步長的改變方式如公式（1）-（6）所示。

1.2 濃度判定值的轉換

FOA定義濃度判定值為果蠅與原點之間的距離經(jīng)過倒數(shù)轉換而得，取值的范圍越大，求解問題的能力越好。有鑒于FOA濃度判定值存在非負值的局限性，導致其無法求解包含負值的最佳化問題。由于logit函數(shù)的取值范圍為（-∞，∞），且適用于非線性模型的求解問題，因此，本文提出以logit作為濃度判定值的轉換函數(shù)，有效地解決了FOA濃度判定值只能為非負值的問題，同時擴展搜索空間到（-∞，∞）。值得一提的是，由于logit函數(shù)的定義域為（0，1），本文遂先將距離通過cosine函數(shù)轉換獲得（0，1）的取值范圍，再進行l(wèi)ogit函數(shù)轉換，以確保濃度判定值的可得性。綜上所述，本文基于FOA提出以logit函數(shù)結合cosine函數(shù)進行濃度判定值轉換的優(yōu)化算法，稱為LCFOA。以下針對LCFOA濃度判定值轉換方法進行完整說明。

2 實證研究

2.1 研究思路與技術路線

本文旨在構建我國智能制造業(yè)經(jīng)營績效預測模型。首先，收集智能制造產(chǎn)業(yè)發(fā)展現(xiàn)狀、政府政策以及相關文獻的基礎上，發(fā)現(xiàn)產(chǎn)業(yè)目前面臨的重要問題并確立基本研究思路。然后，選取國內上市智能制造業(yè)2012-2017年的數(shù)據(jù)，并進行相關的數(shù)據(jù)清理工作;同時，為了消除變量間的量綱關系，將取得的數(shù)據(jù)歸一化為0到1之間。再者，為了確認預測精度的穩(wěn)定性，本文采用10折交叉驗證（10-fold cross validation）方法，將企業(yè)分割為獨立的10份，每次取9份企業(yè)的2013-2016年數(shù)據(jù)作為訓練集（training data），其對應企業(yè)的2017年數(shù)據(jù)作為測試集（testing data），共計各有10組訓練集與測試集樣本，并采用神經(jīng)網(wǎng)絡中應用最廣泛的反向傳遞（Back propagation，BP）建立預測模型，分別以FOA及LCFOA優(yōu)化BP模型。因此，共計有BP、FOA-BP和LCFOA-BP三種方法的60個智能制造業(yè)經(jīng)營績效的預測模型（20組數(shù)據(jù)集*3種方法）。最后，將所有建模結果進行匯總與對比，確認LCFOA的優(yōu)化效果，并找出適合我國智能制造業(yè)經(jīng)營績的效預測模型。

2.2 樣本數(shù)據(jù)和變量

根據(jù)《智能制造發(fā)展規(guī)劃（2016-2020年）》的發(fā)展重點，將業(yè)務項目涵蓋智能設備、智能產(chǎn)品、互聯(lián)網(wǎng)產(chǎn)業(yè)、工業(yè)軟件、3D打印、新能源、新材料等領域的企業(yè)定義為智能制造企業(yè)。最后，通過Wind數(shù)據(jù)庫，本文選取了1 334家智能制造企業(yè)2012-2017年間的數(shù)據(jù)，共計有6 297筆數(shù)據(jù)。

在杜邦公司的分析中，凈資產(chǎn)收益率（Rate of Return on Common Stockholders Equity，ROE）是財務指標的核心，用來評價企業(yè)的盈利能力和業(yè)績，是衡量企業(yè)經(jīng)營績效的主要指標。因此，將ROE作為本研究中的因變量（dependent variable）。另外，根據(jù)過去文獻并透過數(shù)據(jù)庫整理出：當年度研發(fā)密集度、每位研發(fā)人員所擁有資源、研究發(fā)展強度、主營業(yè)務比率、員工生產(chǎn)力、員工附加價值、R&D人員比例技術人員占比，以及全部資產(chǎn)現(xiàn)金回收率8個影響公司經(jīng)營績效的重要財務指標，作為本文的自變量（independent variable）。

2.3 預測模型建構與比較

BP神經(jīng)網(wǎng)絡具有高度的學習能力，是目前在金融財務領域上較廣泛應用的神經(jīng)網(wǎng)絡訓練算法之一。由于BP算法中的權重和閾值為影響模型預測能力的關鍵參數(shù)，找出最佳參數(shù)組合將有利于模型預測能力的提升。FOA在過去多數(shù)文獻中被證實能有效提升BP模型的預測能力，然而，本文在基于改進FOA局限性的基礎上，提出一種新的LCFOA優(yōu)化BP算法中的權重和閾值，以建構出相對于FOA更佳的經(jīng)營績效預測模型。

本文建構的經(jīng)營績效預測模型設定如下：BP神經(jīng)網(wǎng)絡的輸入層有8個神經(jīng)元，隱藏層為一層且有5個神經(jīng)元，輸出層有1個神經(jīng)元;同時，F(xiàn)OA的果蠅種群大小設置為10，優(yōu)化迭代次數(shù)為50。如前所述，本文采用10折交叉驗證方法分別建構BP、FOA-BP和LCFOA-BP三種方法的預測模型，最后，分別計算匯總三種預測模型的10組數(shù)據(jù)的均方根誤差（RMSE）、標準差（STD）和運行時間的平均值，并進行預測性能的比較。

表1為本文建構的BP、FOA-BP和LCFOA-BP模型預測能力匯總表。由表1可知，與BP相比，F(xiàn)OA-BP模型和 LCFOA-BP模型在RMSE、STD指標上均優(yōu)于BP模型。進一步將LCFOA-BP模型與FOA-BP模型進行比較后，LCFOA-BP模型的RMSE下降速率大于FOA-BP;同時，其建模時間平均值小于FOA-BP模型的平均運行時間（見表1中的灰色）。這意味著在三種預測模型中，LCFOA-BP模型的預測精準度最高且效率最好。因此，證明本文提出的改進果蠅優(yōu)化算法（LCFOA）是有效的，LCFOA-BP模型是最適合我國智能制造企業(yè)經(jīng)營績效的預測模型。

3 結語

本文旨在通過建構有效的經(jīng)營績效預測模型來維持國內智能制造業(yè)的高度發(fā)展，研究結果顯示，本文在改進FOA局限的基礎上提出的LCFOA，優(yōu)化能力更好，更有效率;同時，對比于BP與FOA-BP而言，LCFOA-BP更適合應用于國內智能制造業(yè)經(jīng)營績效預測上模型。另外，本文根據(jù)文獻探討所挑選的8個建模變量：當年度研發(fā)密集度、每位研發(fā)人員所擁有資源、研究發(fā)展強度、主營業(yè)務比率、員工生產(chǎn)力、員工附加價值、R&D人員比例技術人員占比以及全部資產(chǎn)現(xiàn)金回收，所建構的模型預測模型誤差皆很低，證明前述指標對于建構智能制造業(yè)經(jīng)營績效預測有顯著的影響。因此，可借由對上述指標的管理與調整，例如：通過研發(fā)智能制造程序改善生產(chǎn)效能，生產(chǎn)更多適合市場需求的人工智能產(chǎn)品或服務，提高企業(yè)的經(jīng)營績效。

最后，本文提出的LCFOA方法的運行程序簡單，易于理解，應用范圍更廣，可作為后續(xù)學者的參考依據(jù)，同時也可作未來研究的方向，將LCFOA進一步應用于不同預測模型或不同領域之上。

參考文獻

[1] 陸瀾清.2017年中國智能制造行業(yè)發(fā)展現(xiàn)狀與市場規(guī)模分析[EB/OL].（2017-12-08）[2019-01-20].https：//www.qianzhan.com/analyst/detail/220/171208-fd6b824b.html#comment.

[2] 潘文超.應用果蠅優(yōu)化算法優(yōu)化廣義回歸神經(jīng)網(wǎng)絡進行企業(yè)經(jīng)營績效評估[J].太原理工大學學報（社會科學版），2011，29（4）：1-5.

[3] 劉立群，韓俊英，代永強，火久元.果蠅優(yōu)化算法優(yōu)化性能對比研究[J].計算機技術與發(fā)展，2015（8）：94-98.

[4] Cong， Y.， Wang， J.， Li， X.. Traffic flow forecasting by a least squares support vector machine with a fruit fly optimization algorithm. Procedia Engineering，2016，137：59-68.

[5] Hu， R.， Wen， S.， Zeng， Z.， Huang， T.. A short-term power load forecasting model based on the generalized regression neural network with decreasing step fruit fly optimization algorithm.Neurocomputing，2017，221（C）：24-31.

[6] Zhang， Y.， Cui G.， Wu， J. Pan， W.T.， He， Q.. A novel multi-scale cooperative mutation fruit fly optimization algorithm. Knowledge-Based Systems，2016，114：24-35.

[7] Babalk， A.， can， H. Babaolu， .， Gündüz， M.. An improvement in fruit fly optimization algorithm by using sign parameters.Soft Computing，2018，22（22）： 7587-7603.