基于協(xié)同PSO算法的模糊辨識與神經網絡學習.pdf

1、粒子群優(yōu)化(Particle swarm optimization,PSO)算法是一種基于群體智能的算法,它模擬鳥群、魚群和蜂群等動物群體的覓食行為,通過個體之間的相互協(xié)作使群體達到最優(yōu)化目的。同遺傳算法類似,PSO算法也是一種基于種群的優(yōu)化技術,它初始化為一組隨機解,粒子群在搜索空間中追隨種群中的最優(yōu)粒子進行協(xié)同搜索。PSO算法具有操作簡單、需要調節(jié)的參數少、收斂速度快等特點,因而引起越來越多的關注,成為計算智能及經濟、社會、生物等交

2、叉學科的研究熱點和前沿。協(xié)同搜索的主要思想是使用多個模塊同時搜索問題空間,這些模塊之間相互交換信息,以提高算法的效率,它在研究大規(guī)模復雜優(yōu)化問題中得到了廣泛的應用。本文主要研究了結合協(xié)同搜索和PSO算法的協(xié)同PSO算法,以及其在模糊辨識和神經網絡學習中的應用。本文首先介紹了PSO算法的產生背景、研究的主要內容和開放問題等；接著給出了協(xié)同PSO算法的基本框架和參數分析；然后提出了協(xié)同隨機PSO算法來改進標準PSO算法的性能；最后將提出的改

3、進算法和協(xié)同進化PSO算法應用在模糊辨識和神經網絡學習等領域。本文研究的主要內容和創(chuàng)新點可概括如下：(1)提出了一種協(xié)同隨機PSO算法,使用多個子種群同時搜索問題空間,在迭代的過程中,不同的子種群間以隨機方式相互交換信息。粒子通過學習不同子種群的最優(yōu)歷史信息來更新自己的速度和位置,保持了種群的多樣性；同時,使用多個子種群的有用信息也保證了算法的收斂速度。從而算法的全局和局部搜索能力達到了很好的平衡。(2)提出了一種基于減法聚類和協(xié)同隨機

4、PSO算法的二階段模糊辨識方法：減法聚類用來辨識模糊模型的結構,協(xié)同隨機PSO算法用來優(yōu)化模型的參數,同時使用減法聚類的結果來初始化算法的種群。該辨識方法能有效地獲得緊湊而精確的模糊模型。(3)針對一類用于時間序列預測的單乘法神經元模型,引入協(xié)同隨機PSO算法來加強其學習能力。單乘法神經元模型可以看作是結構簡單,參數較少的神經網絡,代替多層神經網絡來完成函數逼近等任務。協(xié)同隨機PSO算法作為該模型的訓練算法,提高了模型的學習效率和魯棒性

5、。(4)針對模糊模型辨識中模型結構難以確定的問題,提出了一種基于協(xié)同進化PSO算法的自動模糊模型辨識方法。首先預定義一個最大的模糊規(guī)則數,每條規(guī)則都有一個標簽來決定其是否屬于模糊模型；然后將標簽、模糊模型的前件參數和后件參數編碼成不同的粒子,使用三個PSO算法協(xié)同地搜索；通過標簽的進化可以得到模糊模型的結構,在模型性能達到最優(yōu)時,也得到了最優(yōu)的模型參數。該方法能直接從輸入輸出數據抽取精確的模糊模型。(5)針對全連接神經網絡的結構冗余問題