粒子群算法在神經(jīng)網(wǎng)絡參數(shù)優(yōu)化中的應用.pdf

1、近年來，研究學者們從自然現(xiàn)象中不斷獲得啟示，提出了許多優(yōu)秀的智能算法，如遺傳算法、蟻群算法、模擬退火算法以及粒子群優(yōu)化算法等等，智能算法有了長足的發(fā)展。
　　 神經(jīng)網(wǎng)絡用于優(yōu)化計算采用BP算法作為連接權學習的工具，但是由于其是按誤差的梯度下降方向搜索，所以易陷入局部最小而造成成熟前收斂的問題；用GA算法來優(yōu)化神經(jīng)網(wǎng)絡的參數(shù)，可以達到搜索的遍歷性，但是是以增加迭代次數(shù)為代價的，因此收斂速度比較慢?；綪SO算法應用到神經(jīng)網(wǎng)絡參數(shù)優(yōu)

2、化中既可以達到搜索的遍歷性，又省去了GA算法中選擇、交叉、變異等基本操作。在搜索速度上有所提高，但是由于群中的粒子都按照同一規(guī)則進行最優(yōu)位置的更新和運動，在粒子陷入局部極小后，動作的一致性反而阻礙了算法跳出局部極小。
　　 基于這一問題，本文提出了一種改進的粒子群算法：聚集-重置粒子群算法(FRPSO)。FRPSO主要思想是在原算法的種群產(chǎn)生聚集現(xiàn)象的時候，改變那些適應值最差的粒子。通過不斷重新初始化種群中適應值最差的那些粒子，