原创《基于ＧＡ优化ＢＰ网络输入人力资本预测》：本文关于人力资本论文范文,可以做为相关论文参考文献,与写作提纲思路参考。
摘 要：人力资本是决定地区经济增长的重要因素之一,其形成受多种因素的综合影响.利用BP神经网络进行预测时,因人力资本形成因素众多,各因素之间信息独立性差,交叉重叠的信息使得神经网络的结构过于庞大,极大地影响了网络的性能.本文采用遗传算法(GA)对人力资本形成因素进行优化,化选出和人力资本关系最密切、反应最敏感的少数指标,再利用优化后的指标对我国31个地区的人力资本进行预测,有效地降低了网络输入维数,提高了网络精度.
关键词：人力资本；遗传算法；BP网络；预测
中图分类号：G303
文章标识码：A
文章编号：1007-3221(2007)04-0102-05
0引言
人力资本一般是指通过教育、培训、医疗保健、迁移等投资支出形成的凝集在劳动者身上的知识和技能,它由不同的投资方式所形成,在经济增长中起着内生性的作用.丹尼森、卢卡斯等提出了将人力资本内生化的经济增长模型,并指出人力资本积累是经济得以持续增长的决定性因素和产业发展的真正源泉.所以对我国各地区人力资本进行预测分析,十分有必要.由于人力资本形成和促进经济增长的过程都是一个典型复杂系,具有非线性、不确定性、波动性等特征,不宜用传统的方法进行计量和预测.人工神经网络(Artificial Neural Networks,ANN)模拟了人脑神经元的基本功能和网络的基本特性,具有分布式记忆、并行处理、联想、自组织的学习能力,处理非线性复杂系统具有智能性,能较好地进行人力资本预测.人力资本的形成指标因素多,指标间相关性大,信息重叠多,且各种指标对人力资本形成的影响也是不同的.不易于直接用ANN进行预测.因此,必须分析各指标间的相关性,优选出能够反映人力资本形成本质特征的、相互之间独立的指标.本文通过建立人力资本形成的指标体系,采用遗传算法(GeneticAlgorithm,GA)和BP(Back Propagation)网络相结合的方法,利用GA对BP网络输入进行优化,而非一般优化BP网络权值的方法,即首先采用GA方法从人力资本形成的15因素中,优选出若干个指标,使得新的学习样本空间维数低、分量间相关性小,然后应用BP网络强大的非线性映射能力,较好地对我国各地区人力资本进行了预测.
1人力资本的形成方式和指标体系建立
1．1人力资本的形成方式
人力资本的基本要素为劳动者的知识、技能和健康等,凡是能够提高这些要素的投资均可称为人力资本投资.T.W.舒尔茨认为人力资本投资“集中在五个主要方面：①卫生保健设施和服务,概括地说包括影响人的预期寿命、体力和耐力、精力和活力的全部开支；②在职培训,包括由公司组织的旧式学徒制；③正规的初等、中等和高等教育；④不是由公司组织的成人教育计划,特别是农业方面的校外学习计划；⑤个人和家庭迁移以适应不断变化的就业机会.由此,我们将人力资本归结为教育培训、医疗卫生保健、劳动力迁移、经验技能等四个方面的投资形成的.本着系统性、科学性、现实性、客观性的原则,我们建立如图1的指标体系.
注：本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文
1．3数据的获取
图1指标体系中所需数据,大部分可从2003年《中国统计年鉴》、2003年《中国教育统计年鉴》可直接查得或整理得到.其中“就业者劳动生产率”指标项数据来源于科技部《2003全国及地区科技进步统计监测结果》；劳动力的迁移系数由某一地区年劳动力迁出总数除以该地区当年迁出数和其它地区迁人数之和,反映一个地区人力资本迁移状况.根据1998～2003年的《中国统计年鉴》中“分地区分行业职工平均工资”,“分地区国民生产总值”,“各地区分行业社会劳动者人数”等表中获取五个体力劳动行业各年各地的平均工资、GDP,劳动者人数等数据,按1．2方法计算得到我国2003年31个地区的人力资本投入值.
2遗传算法设计
遗传算法(genetic algorithm,简称GA)是美国Michigan大学的J.H.Holland教授在1975年首先提出的.它是通过模拟自然遗传学中“优胜劣汰、适者生存”的进化法则,实现对特定目标的自适应概率性优化搜索.遗传算法求解问题时,必须首先确定设计变量、编码方式、选择概率、选择方式、交叉算子、变异算子.
2．1编码
在用遗传算法解决人力资本投入指标的优选问题时,首先应该对每个解都进行编码.假设指标组合和遗传算法中的二进制编码的对应关系为：染色体长度L比指标个数多一位,每个指标分别和每个基因前L-1位相对应.每个基因用二进制表示(0或1),因此当某个基因为1时,表示其对应的指标被选用；否则,不参和指标组合.很显然,对任何一种指标组合,存在唯一的一个字符串和之对应.本文设定每个染色体的长度为L等于16,前15位表示人力资本形成因素的15个 指标,最后一位存放适应度值.
2．2初始种群的产生
采用二进制编码,解空间和染色体空间重合.考虑到种群数目过大不仅增加GA运算的时间,而且会使种群形态过于分散,从而使算法的收敛困难,所以我们选择种群规模pop-size的大小为训练样本的30％.在解空间中随机产生初始种群,并使其均匀分布于解空间.
2．3适应度函数的确定
适应度函数是每个神经网络个体的评价标准,它指导进化过程向着含有最佳个体的空间区域进行.应该是既能反映研究的问题的实质,又便于计算.针对BP网络预测人力资本情况,我们选择BP网络均方误差(MSE)作适应度准则.由于GA是对适应度函数的最大化寻优,因此,需将最小MSE转化为最大化的适应度函数：Fit等于1/MSE.
2．4遗传操作算子
遗传操作是实现寻优的关键,包括选择、交叉和变异操作算子.
(1)选择.选择算子一般由两部分组成：复制选择算子和生存选择算子,复制选择是指为了进行交叉操作对母体(种群)中个体进行的选择,生存选择是从进行了交叉操作之后的群体中进行的选择.本文采用 赌和保留精英相结合的方法来设计选择算子.即：每次选择时首先将本代最优个体保留到下一代,其余pop-size-1个个体由 赌的方法产生.
(2)交叉.本文采用两点交叉,随机选择两个交叉点,并且以概率只交叉两个个体中位于交叉点间的基因.
(3)变异.GA引入变异时要考虑两个问题,一是如何在初期取较大的变异算子而维持种群的多样性,防止出现早熟现象；一是当算法已接近最优解邻域时,如何使变异算子减小,确保其局部随机搜索能力,加速向最优解收敛.本文采用如下的自适应变异概率解决上述两个问题
注：本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文
其中t为进化代数,L为染色体长度.由(4)知,在进化初期,算法较大的变异概率实施变异操作,从而提高种群的多样性.反之,在进化后期,变异概率就会比较小,从而保证了算法收敛.
人力资本论文参考资料：
结论：基于ＧＡ优化ＢＰ网络输入人力资本预测为关于本文可作为人力资本方面的大学硕士与本科毕业论文人力资本理论论文开题报告范文和职称论文论文写作参考文献下载。
