胡程磊，刘永华，高菊玲

(江苏农林职业技术学院，江苏句容，212400)

0 引言

粮食对于我国经济发展、社会稳定及国家战略均有着深远的意义，对粮食产量进行有效分析和准确预测关乎到国家宏观经济调控、农业生产政策制定与调整，其重要性不言而喻[1]。由于影响粮食产量的因素较多，不易建立各影响因素与粮食产量的分析模型，且粮食产量波动呈现出复杂性和随机性特征[2-3]，准确对其进行预测存在一定难度。

现有粮食产量预测方法大致可分为以下几类：一是利用粮食产量历史数据建立数学统计模型，如时间序列模型[4]、灰色预测模型[5]、指数平滑模型[6]等；二是通过观察粮食作物的生长状况及分析其生长环境，对其产量进行模拟分析，如气象产量模型[7]、遥感技术模型[8]等；三是数据驱动的粮食产量预测模型，因粮食产量历史数据及相关影响因素数据均可科学计量，因而此类模型的分析结果更具参考价值，如人工神经网络模型[9-11]、支持向量机模型[12-14]等，但仍需进一步研究更好的预测模型以提高粮食产量预测精度及稳定性。

本文引入遗传变异及交叉机制对微粒群算法进行改进，增强其全局寻优性能，并优化BP神经网络的连接权值和阈值，同时，综合考虑影响粮食产量且具有农业意义的因素，构建了IPSO-BP粮食产量预测模型；利用江苏省粮食产量及相关影响因素数据进行验证，试验结果表明，所提出的IPSO-BP模型的预测精度更高且算法稳定性也更好。……