针对新冠肺炎疫情发展模型的预测问题，提出了一种基于改进遗传算法误差反向传播(Genetic Algorithms Back Propagation, GA-BP)神经网络算法。该算法通过对遗传算法中的交叉、变异、及适应度等函数进行了重新定义，在获得 GA-BP神经网络最优参数的同时， 提高了最优参数的泛化能力， 进而缩小了 GA-BP网络寻优的搜索范围， 并进一步获得新冠肺炎疫情发展的精确预测模型。最后通过仿真，验证了该GA-BP神经网络对模型拟合预测的准确性。
由于人工智能算法在数据处理上具有强的泛化能力与健壮性等特点， 被许多学者用在了新冠肺炎模型分析。王志心等将机器学习算法与最小二乘法理论相结合， 预测了新冠肺炎出现的拐点问题。而通过机器学习算法建立的数据模型，其只考虑近期试验数据的相关性， 随实验时间的推移， 预测模型误差将会逐渐增大， 进而影响后期数据分析。段瑶瑶等通过构建了一种带有时间回溯的神经网络计算模型， 对新冠肺炎疫情数据进行分析和预测。虽然该方法能有效预测新冠肺炎疫情的发展趋势， 但该方法容易受模型系数参数的影响， 一旦决定系数出现负值， 新冠肺炎模型的推测将会受影响。张学旺等基于长短期记忆人工神经网络(LSTM)对新冠肺炎疫情发展态势进行预测。但在模型预测过程中， 一旦LSTM预测时间跨度增加，预测模型的计算量与算法复杂度将会增加， 进而影响系统训练效果。
新冠肺炎疫情传播模型预测可以理解为多层反向传播过程， 即新冠肺炎模型计算误差可以理解为正传播， 而调整模型参数时为反向传播。因此， 可以利用 &> 神经网络在某地区现有新冠肺炎疫情数据的基础上， 分析找出输入与输出之间的权值关系， 进而可以确定较为准确的新冠肺炎模型。但由于BP神经网络在模型学习速度及最优解的获得具有一定的局限性。
因此， 本文研究了一种基于GA-BP神经网络的新冠肺炎模型预测算法。该算法通过在传统的BP神经网络中引入了遗传算法GA，在进行新冠肺炎网络模型训练时， 利用遗传算法对BP神经网络中的参数( 节点权值、阈值) 进行分析与优化，并重新定义了适应度等函数， 以此来缩小网络寻优的搜索范围， 提高了GA-BP网络的预测精度，进而得到准确的预测模型。
为验证算法的可靠性，构建一个简易的模型如图如所示。
算法流程图如下图所示：
根据图1可以观察到，将GA算法与BP神经网络算法有效的结合在一起形成GA-BP神经网路算法，该算法不仅保持了传统GA算法与BP神经网络算法的长处和优点，而且也显现出了高精度的模型预测能力。在GA-BP算法实现的过程中，先用GA反复分析、学习优化BP神经网络模型参数，直到适应函数的平均不再增加为止。再用BP神经网络算法精细优化GA网络编码，这样既可以用来优选指定BP神经网络结构下的参数，也可用来优选GA网络的其他参数。
基于BP神经网络对上述测试网络的拟合性能，结果如下，最后保存训练好的网络。从BP神经网络预测结果可以看岀，BP神经网络可以准确预测非线性函数输出，可以把网络预测输出近似看成函数实际输出。
BP神经网络训练结束后，可以用遗传算法新冠感染人数峰值，遗传算法优化过程中最优个体适应度变化值如下图：
构建的模型，变量范围仅仅为(-2000, -200之间)；这是一条逐渐递增的曲线，此时遗传算法预测当变量为(0, 100)范围内感染人数，GA-BP算法预测结果显示，当变量为0.0144时，感染人数达到峰值，该峰值为44.5365。当变量到达0时，感染人数将达到峰值，GA-BP神经网络预测结果与模型基本保持一致。
本文研究了一种基于GA-BP神经网络算法，对当前新冠肺炎疫情的数学模型进行了预测及发展分析。与现有算法相比较，该算法对遗传算法中的适应度、交叉、变异等函数进行了重定义，进而获得最优网络参数，缩小了GA-BP网络寻优的搜索范围，进而可以得到准确的预测模型。最后通过仿真，验证了GA-BP神经网络对模型拟合预测的准确性。
此外，基于遗传算法与神经网络算法(GA-BP)在各种模型的预测体现了优势，例如，各种商品产量预测分析、温度预测模型、商品住宅需求预测等。
上述演示实例与Matlab代码，可私信博主获取。
博主简介：研究方向涉及智能图像处理、深度学习等领域，先后发表过多篇SCI论文，在科研方面经验丰富。任何与算法、程序、科研方面的问题，均可私信交流讨论。
