粒子群改進(jìn)算法及在人工神經(jīng)網(wǎng)絡(luò)中的應(yīng)用研究.pdf

1、粒子群優(yōu)化（PSO）算法屬于經(jīng)典的群智能算法，具有諸多特點(diǎn)，如參數(shù)較少、易于描述和實(shí)現(xiàn)、結(jié)構(gòu)簡(jiǎn)單并且全局搜索能力較強(qiáng)等，因此，被廣泛應(yīng)用于多目標(biāo)求解、模式識(shí)別、復(fù)雜函數(shù)優(yōu)化等各個(gè)領(lǐng)域。但PSO算法也存在早熟收斂和局部搜索能力差等缺點(diǎn)，如求解高維復(fù)雜問(wèn)題中，在沒有搜索到全局最優(yōu)時(shí)，粒子可能將聚集到某個(gè)位置停滯不動(dòng)，即陷入早熟，早熟收斂將無(wú)法保證算法在搜索結(jié)束后一定能收斂到最優(yōu)；另外，在搜索后期，也即粒子在極值點(diǎn)區(qū)域附近時(shí)，收斂速度明顯變得

2、緩慢，在尋優(yōu)后期的粒子搜索能力較差。針對(duì)PSO算法的上述不足，學(xué)者們提出了許多改進(jìn)策略的改進(jìn)算法，使得算法不論是在性能上，還是在效率上都有較大提高。但研究適應(yīng)性更廣、精度更高、性能、效率和相關(guān)性更好的計(jì)算算法仍然是研究者的重要目標(biāo)。本文為提高PSO算法的收斂速度和性能，提出一種改進(jìn)PSO算法并應(yīng)用到ANN訓(xùn)練，最后將模型應(yīng)用于水質(zhì)的評(píng)價(jià)。
　　本研究主要內(nèi)容包括：⑴提出一種PSO改進(jìn)算法。建立一種 Lorenz混沌序列和權(quán)值自適應(yīng)

3、調(diào)整的 PSO改進(jìn)算法，簡(jiǎn)稱LSAPSO算法。算法中，為提高算法的收斂速度，引入自適應(yīng)權(quán)重調(diào)整策略；為權(quán)衡算法的開發(fā)能力與探索能力的同時(shí)，盡量避免算法出現(xiàn)早熟收斂，引入將混沌理論產(chǎn)生的混沌序列對(duì)開發(fā)和探索學(xué)習(xí)因子進(jìn)行改進(jìn)。最后通過(guò)對(duì)4個(gè)常用的多目標(biāo)測(cè)試函數(shù)進(jìn)行實(shí)例實(shí)驗(yàn)，并與經(jīng)典的多目標(biāo)求解算法NSGA II和多目標(biāo)PSO算法進(jìn)行性能比較。研究表明，LSAPSO算法的收斂速度較快，求解精度較高，多樣性較好。⑵提出一種基于LSAPSO算法和

4、RBF ANN的混合神經(jīng)網(wǎng)絡(luò)模型（HANN），簡(jiǎn)稱LSAPSO RBF ANN模型。在LSAPSO RBF ANN中，將LSAPSO算法對(duì)RBF ANN的函數(shù)中心及擴(kuò)展常數(shù)、網(wǎng)絡(luò)權(quán)值進(jìn)行優(yōu)化。模型將各算法的優(yōu)勢(shì)相互結(jié)合與補(bǔ)充，因而提高的模擬性能。⑶建立了基于HANN的水質(zhì)評(píng)價(jià)模型。通過(guò)實(shí)例驗(yàn)證了HANN模型在評(píng)價(jià)水質(zhì)方面的可行性。通過(guò)與RBF ANN和PSO RBF ANN兩模型的性能分析比較研究表明，HANN模型在水質(zhì)評(píng)價(jià)上，預(yù)測(cè)精度