粒子群算法的改進及其在BP神經網絡中的應用.pdf

1、粒子群優(yōu)化算法是一種新穎的仿生、群智能優(yōu)化算法。該算法原理簡單、需調整的參數(shù)少、收斂速度快而且易于實現(xiàn)，因此近年來粒子群算法引起了廣大學者的關注。然而到目前為止粒子群算法的在理論分析和實踐應用方面尚未成熟，仍有大量的問題需進一步研究。本文針對粒子群算法易出現(xiàn)“早熟”陷入局部極小值問題對標準粒子群算法進行改進并將改進的粒子群算法應用于BP神經網絡中。本文的主要工作如下：
　　本文首先介紹了粒子群算法的國內外的研究現(xiàn)狀與發(fā)展概況，較系

2、統(tǒng)地分析了粒子群優(yōu)化算法的基本理論，總結常見的改進的粒子群優(yōu)化算法。其次介紹了Hooke-Jeeves模式搜索法的算法分析、基本流程及應用領域。
　　針對標準粒子群優(yōu)化算法存在“早熟”問題，易陷入局部極小值的缺點，本文對標準粒子群算法進行改進。首先將原始定義的初始種群劃分為兩個相同的子種群，采用基于適應度支配的思想分別將每個子種群劃分為兩個子集，Pareto子集和N_Pareto子集；然后將兩個子群中的適應度較優(yōu)的兩個Pareto

3、子集合為新種群。由于新種群的參數(shù)設置區(qū)別于標準粒子群算法的參數(shù)設置，新的粒子與標準種群中的粒子飛行軌跡不同，種群的探索范圍擴大，從而使算法的全局搜索能力有所提高。為平衡粒子群算法的全局尋優(yōu)能力和局部尋優(yōu)能力，提高粒子群算法的求解精度和效率，本文在新種群尋優(yōu)過程中引入具有強收斂能力Hooke-Jeeves搜索法，提出了IMPSO算法。并用IMPSO算法對標準基準測試函數(shù)進行實驗，將得到的實驗結果并與標準粒子群算法對基準函數(shù)的實驗結果進行對

4、比，仿真結果證明了該改進的粒子群算法的有效性。
　　最后本文研究改進的粒子群算法在BP神經網絡中的應用。首先介紹人工神經網絡的原理及基于BP算法的多層前饋神經網絡，其次用IMPSO算法訓練BP神經網絡并給出訓練流程圖。將IMPSO算法訓練的BP神經網絡分別應用于齒輪熱處理中硬化層深的預測以及用于柴油機的缸蓋與缸壁的故障診斷中，并將預測結果、診斷結果與BP神經網絡、標準粒子群優(yōu)化算法訓練的BP神經網絡的實驗結果進行對比，實驗結果證明