微粒群優(yōu)化算法及其在人工神經(jīng)網(wǎng)絡(luò)中的應(yīng)用.pdf

1、微粒群優(yōu)化算法(PSO)是一種基于種群搜索策略的自適應(yīng)隨機優(yōu)化算法,是由Kennedy和Eberhart于1995年提出的。作為群智能的典型代表，PSO算法己被證明是一種有效的全局優(yōu)化方法，現(xiàn)已廣泛應(yīng)用于函數(shù)優(yōu)化、神經(jīng)網(wǎng)絡(luò)、模糊系統(tǒng)控制和模式識別等多個領(lǐng)域，具有較好的工程應(yīng)用前景。
　　本文主要對PSO算法的改進及其在人工神經(jīng)網(wǎng)絡(luò)訓練中的應(yīng)用做了較深入的研究，其主要內(nèi)容包括：
　　1.介紹了PSO算法的基本原理及改進途徑，歸

2、納了可以提高算法性能的四種途徑，并對每種途徑都做了詳細介紹。對PSO算法的收斂性進行了實驗分析和數(shù)學分析，解釋了過早收斂的原因；
　　2.針對協(xié)同微粒群優(yōu)化算法存在的停滯現(xiàn)象，提出了一種改進的協(xié)同微粒群優(yōu)化算法——基于粒子空間擴展的協(xié)同微粒群算法(SE-CPSO)。在SE-CPSO算法中，引入了粒子半徑和跳出因子的概念，即如果兩個粒子在運行過程中發(fā)生相互碰撞，則采用位置跳出策略，以避免算法發(fā)生停滯現(xiàn)象。對多個函數(shù)的測試結(jié)果表明：對

3、不同的函數(shù)，該算法的最佳參數(shù)組合不同，但都能有效避免了粒子碰撞帶來的停滯現(xiàn)象問題，增強了粒子搜索較好解的能力，而且很大程度上提高了算法的魯棒性和搜索效率。然后，將SE-CPSO算法與GCPSO-CPSO算法在收斂速度、魯棒性等方面進行比較，結(jié)果顯示，SE-CPSO算法的收斂速度明顯要快得多，魯棒性更強；
　　3.將協(xié)同微粒群算法運用于神經(jīng)網(wǎng)絡(luò)的訓練，主要訓練兩類神經(jīng)網(wǎng)絡(luò)——加和神經(jīng)網(wǎng)絡(luò)和倍乘神經(jīng)網(wǎng)絡(luò)，并使用Iris標準分類數(shù)據(jù)集進