论文部分内容阅读
在我国农业保险经营实践过程中,区域性的发展不平衡问题一直存在,且现有农业保险发展水平的评估标准不一,无法全面评估农业保险发展水平。本文在选择性集成环境下,利用多子代遗传算法优化神经网络,并引入层次分析法作为神经网络的指导机制对我国区域农业保险可持续发展进行评估,旨在建立一个新型、科学的评价模型。本文主要工作包括:(1)在传统遗传算法的基础上,提出了多子代遗传算法,该算法是在遗传算法交叉操作过程中,让每代交叉操作都有两次染色体交换过程,从而每代交叉过程就能产生两对子代,使子代数量增加一倍,加快了遗传算法的适应度和收敛速度。然后利用多子代遗传算法优化BP神经网络的初始权值和阈值(本文称MGABP模型)。(2)引入层次分析法作为神经网络的指导机制,通过层次分析法的专家知识求得先验的指导样本,然后利用MGABP模型学习先验样本知识,建立新型评价模型(本文称AHP-MGABP评价模型)。该模型实现了二者优势互补,不仅降低BP神经网络学习的主观随意性,而且增强了层次分析法的抗噪性。(3)提出了选择性集成方案,即利用信息增益和信息增益率来选择与评价目标最相关的农业保险评价指标集合。利用bagging抽样方法实现集成学习的多样性,通过选择最优指标集合保证集成学习的准确率。在集成环境下,将AHP-MGABP作为基学习器在独立样本上进行学习,通过集成方案建立集成学习器(本文称AHP-MGABP-SI评价模型)。(4)将上述改进的算法所建立的AHP-MGABP-SI评价模型应用到我国区域农业保险可持续发展评价上,将每个基学习器在年度保险数据上进行独立评价训练,在集成端输出历年综合评价结果。为我国农业保险可持续发展提供一个科学实用的评价方案,促进我国农业保险健康可持续发展。