CN111582430A - 基于萤火虫算法的参数优化方法、装置、设备及存储介质 - Google Patents

基于萤火虫算法的参数优化方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN111582430A
CN111582430A CN202010401176.3A CN202010401176A CN111582430A CN 111582430 A CN111582430 A CN 111582430A CN 202010401176 A CN202010401176 A CN 202010401176A CN 111582430 A CN111582430 A CN 111582430A
Authority
CN
China
Prior art keywords
firefly
position information
population individuals
fitness
target
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010401176.3A
Other languages
English (en)
Inventor
张聪
曹文琪
陈方
张俊杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Polytechnic University
Original Assignee
Wuhan Polytechnic University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan Polytechnic University filed Critical Wuhan Polytechnic University
Priority to CN202010401176.3A priority Critical patent/CN111582430A/zh
Publication of CN111582430A publication Critical patent/CN111582430A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及模型优化技术领域，公开了一种基于萤火虫算法的参数优化方法、装置、设备及存储介质，所述方法包括以下步骤：建立预设神经网络模型，获取所述预设神经网络模型中的目标参数，通过萤火虫算法根据所述目标参数生成萤火虫种群个体，获取所述萤火虫种群个体的位置信息，并基于预设适应度原则从所述位置信息中获取最优位置信息，从所述最优位置信息中提取优化后的目标参数以改进萤火虫算法，并将改进后的萤火虫算法运用到神经网络的参数优化上，有助于神经网络获得符合期许的初始参数值，从而缩短神经网络的训练时间，提高神经网络的收敛精度，进一步地，提高基于所述神经网络建立的数据预测模型的预测精度。

Description

基于萤火虫算法的参数优化方法、装置、设备及存储介质
技术领域
本发明涉及模型优化技术领域，尤其涉及一种基于萤火虫算法的参数优化方法、装置、设备及存储介质。
背景技术
萤火虫算法是一种群智能算法，主要用于多目标全局寻优，这一算法模仿萤火虫群体之间会根据发光亮度相互吸引的特性，使得种群内个体通过向适应度较高的个体进行移动，从而提高自身的适应度，进而寻得目标区域内的最优值，这一算法已被证明在大多数多目标寻优问题上表现优于遗传算法、粒子群算法等早期提出的群优化算法。但在将萤火虫算法应用到部分神经网络上时(如小波神经网络)，参数的初始化具有一定的随机性，导致训练时间较长，训练结果的波动性较大，因此，如何改进萤火虫算法，并将改进后的萤火虫算法运用到神经网络的参数优化上，有助于神经网络获得符合期许的初始参数值，从而缩短神经网络的训练时间，提高神经网络的收敛精度，进一步地，提高基于所述神经网络建立的数据预测模型的预测精度。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供了一种基于萤火虫算法的参数优化方法、装置、设备及存储介质，旨在实现对神经网络的参数优化以缩短神经网络的训练时间，提高神经网络的收敛精度的技术问题。
为实现上述目的，本发明提供了一种基于萤火虫算法的参数优化方法，所述方法包括以下步骤：
建立预设神经网络模型，获取所述预设神经网络模型中的目标参数；
通过萤火虫算法根据所述目标参数生成萤火虫种群个体；
获取所述萤火虫种群个体的位置信息，并基于预设适应度原则从所述位置信息中获取最优位置信息；
从所述最优位置信息中提取优化后的目标参数。
优选地，所述通过萤火虫算法根据所述目标参数生成萤火虫种群个体的步骤，具体包括：
获取所述目标参数的参数个数，通过萤火虫算法根据所述参数个数在预先设置的数值范围内生成萤火虫种群个体。
优选地，所述获取所述萤火虫种群个体的位置信息，并基于预设适应度原则从所述位置信息中获取最优位置信息的步骤，具体包括：
获取所述萤火虫种群个体的位置信息，并根据所述位置信息分别计算所述萤火虫种群个体的适应度；
对所述萤火虫种群个体进行遍历，基于所述适应度判断当前遍历到的萤火虫种群个体是否为适应度最大的萤火虫最优种群个体；
若是，则获取所述萤火虫最优种群个体的位置信息，并将所述位置信息作为最优位置信息。
优选地，所述对所述萤火虫种群个体进行遍历，基于所述适应度判断当前遍历到的萤火虫种群个体是否为适应度最大的萤火虫最优种群个体的步骤之后，还包括：
若否，则检测预设范围内是否存在适应度大于所述当前遍历到的萤火虫种群个体的适应度的目标萤火虫种群个体；
在存在所述目标萤火虫种群个体时，根据所述目标萤火虫种群个体对所述当前遍历到的萤火虫种群个体进行位置更换；
检测位置更换后的萤火虫种群个体的位置信息是否为最优位置信息，若是，则执行从所述最优位置信息中提取优化后的目标参数的步骤。
优选地，所述在存在所述目标萤火虫种群个体时，根据所述目标萤火虫种群个体对所述当前遍历到的萤火虫种群个体进行位置更换的步骤，具体包括：
在存在所述目标萤火虫种群个体时，基于预设非线性权重根据所述目标萤火虫种群个体对所述当前遍历到的萤火虫种群个体进行位置更换。
优选地，所述在存在所述目标萤火虫种群个体时，根据所述目标萤火虫种群个体对所述当前遍历到的萤火虫种群个体进行位置更换的步骤之后，还包括：
获取所述当前遍历到的萤火虫种群个体位置变换前的位置信息和位置变换后的位置信息；
分别计算所述位置变换前的位置信息对应的适应度和所述位置变换后的位置信息对应的适应度；
在所述位置变换前的位置信息对应的适应度和所述位置变换后的位置信息对应的适应度符合所述预设适应度容忍规则时，判定所述当前遍历到的萤火虫种群个体的位置更换有效。
优选地，所述从所述最优位置信息中提取优化后的目标参数的步骤，具体包括：
从所述位置信息中提取优化后的目标参数；
获取所述预设神经网络模型的监测精度；
在所述监测精度不符合预设精度要求时，校正所述优化后的目标参数，直至所述预设神经网络模型的监测精度符合所述预设精度要求。
此外，为实现上述目的，本发明还提出一种基于萤火虫算法的参数优化装置，所述装置包括：
参数获取模块，用于建立预设神经网络模型，获取所述预设神经网络模型中的目标参数；
个体生成模块，用于通过萤火虫算法根据所述目标参数生成萤火虫种群个体；
最优确定模块，用于获取所述萤火虫种群个体的位置信息，并基于预设适应度原则从所述位置信息中获取最优位置信息；
所述参数获取模块，还用于从所述最优位置信息中提取优化后的目标参数。
此外，为实现上述目的，本发明还提出一种基于萤火虫算法的参数优化设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于萤火虫算法的参数优化程序，所述基于萤火虫算法的参数优化程序配置为实现如上文所述的基于萤火虫算法的参数优化方法的步骤。
此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有基于萤火虫算法的参数优化程序，所述基于萤火虫算法的参数优化程序被处理器执行时实现如上文所述的基于萤火虫算法的参数优化方法的步骤。
本发明通过建立预设神经网络模型，获取所述预设神经网络模型中的目标参数，通过萤火虫算法根据所述目标参数生成萤火虫种群个体，获取所述萤火虫种群个体的位置信息，并基于预设适应度原则从所述位置信息中获取最优位置信息，从所述最优位置信息中提取优化后的目标参数以改进萤火虫算法，并将改进后的萤火虫算法运用到神经网络的参数优化上，有助于神经网络获得符合期许的初始参数值，从而缩短神经网络的训练时间，提高神经网络的收敛精度，进一步地，提高基于所述神经网络建立的数据预测模型的预测精度。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的基于萤火虫算法的参数优化设备的结构示意图；
图2为本发明基于萤火虫算法的参数优化方法第一实施例的流程示意图；
图3为本发明基于萤火虫算法的参数优化方法第二实施例的流程示意图；
图4为本发明基于萤火虫算法的参数优化装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的基于萤火虫算法的参数优化设备结构示意图。
如图1所示，该基于萤火虫算法的参数优化设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity，WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory，RAM)存储器，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对基于萤火虫算法的参数优化设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及基于萤火虫算法的参数优化程序。
在图1所示的基于萤火虫算法的参数优化设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明基于萤火虫算法的参数优化设备中的处理器1001、存储器1005可以设置在基于萤火虫算法的参数优化设备中，所述基于萤火虫算法的参数优化设备通过处理器1001调用存储器1005中存储的基于萤火虫算法的参数优化程序，并执行本发明实施例提供的基于萤火虫算法的参数优化方法。
本发明实施例提供了一种基于萤火虫算法的参数优化方法，参照图2，图2为本发明基于萤火虫算法的参数优化方法第一实施例的流程示意图。
本实施例中，所述基于萤火虫算法的参数优化方法包括以下步骤：
步骤S10：建立预设神经网络模型，获取所述预设神经网络模型中的目标参数；
易于理解的是，在确定待优化的目标参数时，可为各个行业中存在的未知参数，在进行模型训练时，训练数据为与目标参数具有关联性的多组数据，在进行选取时可先对多种相关因素进行关联性分析，然后再确定待优化的目标参数，所述目标参数的优化目标值可根据目标参数的同类数据的优化目标值进行限定，也可通过预设关系映射表中对应的优化目标值进行限定。
在具体实现中，在获取所述目标参数之前，还需建立预设神经网络模型，本实施例中，以小波神经网络为例，先确定小波神经网络结构，本实施例中小波神经网络结构为三层，小波神经网络结构中输入层节点数为与目标参数具有关联性的数据的维度，隐含层节点可根据需要进行设置，输出层节点数为目标参数的维度，再确定待优化的目标参数如伸缩因子、平移因子，隐含层的权值、输出层的权值等。
应当理解的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。
步骤S20：通过萤火虫算法根据所述目标参数生成萤火虫种群个体；
在具体实现中，根据待优化的目标参数确定萤火虫算法中萤火虫种群个体的组成形式，如数组形式，矩阵形式，其大小由神经网络的结构决定，本实施例可先获取所述目标参数的参数个数，再通过萤火虫算法根据所述参数个数在预先设置的数值范围内生成萤火虫种群个体。
步骤S30：获取所述萤火虫种群个体的位置信息，并基于预设适应度原则从所述位置信息中获取最优位置信息；
需要说明的是，本实施例中需计算每个萤火虫种群个体的适应度大小，具体可先获取所述萤火虫种群个体位置信息，将所述位置信息经过神经网络前向计算后的输出值与目标值之间的均方误差值来确定，所述均方误差值越小，萤火虫种群个体的适应度越大，通过比较适应度的大小确定当前萤火虫种群中适应度最大的萤火虫种群最优个体，所述萤火虫种群最优个体的位置信息即为最优位置信息。
步骤S40：从所述最优位置信息中提取优化后的目标参数。
易于理解的是，本实施例从所述最优位置信息中提取优化后的目标参数，获取所述预设神经网络模型的监测精度，在所述监测精度不符合预设精度要求时，校正所述优化后的目标参数，直至所述预设神经网络模型的监测精度符合所述预设精度要求，本实施例还可对神经网络数据模型进行训练操作，所述训练操作中可将需要监测的目标数据先从输入层输入，依次通过隐含层与输出层，再进行所述模型所需的计算，得到输出层的输出值，然后通过比较所述输出值与目标值之间的差距，对所述神经网络模型中的参数进行调整以缩短此差距，重复这一过程直至停止训练，训练结束后使用所述神经网络模型实现对目标数据的监测。
本实施例通过建立预设神经网络模型，获取所述预设神经网络模型中的目标参数，通过萤火虫算法根据所述目标参数生成萤火虫种群个体，获取所述萤火虫种群个体的位置信息，并基于预设适应度原则从所述位置信息中获取最优位置信息，从所述最优位置信息中提取优化后的目标参数以改进萤火虫算法，并将改进后的萤火虫算法运用到神经网络的参数优化上，有助于神经网络获得符合期许的初始参数值，从而缩短神经网络的训练时间，提高神经网络的收敛精度，进一步地，提高基于所述神经网络建立的数据预测模型的预测精度。
参考图3，图3为本发明基于萤火虫算法的参数优化方法第二实施例的流程示意图。
基于上述第一实施例，在本实施例中，所述步骤S30包括：
步骤S301：获取所述萤火虫种群个体的位置信息，并根据所述位置信息分别计算所述萤火虫种群个体的适应度；
步骤S302：对所述萤火虫种群个体进行遍历，基于所述适应度判断当前遍历到的萤火虫种群个体是否为适应度最大的萤火虫最优种群个体；
需要说明的是，本实施例先获取所述萤火虫种群个体的位置信息，并根据所述位置信息分别计算所述萤火虫种群个体的适应度，再对所述萤火虫种群个体进行遍历，基于所述适应度判断当前遍历到的萤火虫种群个体是否为适应度最大的萤火虫最优种群个体，在当前遍历到的萤火虫种群个体不是适应度最大的萤火虫最优种群个体时，则检测预设范围内是否存在适应度大于所述当前遍历到的萤火虫种群个体的适应度的目标萤火虫种群个体，在存在所述目标萤火虫种群个体时，根据所述目标萤火虫种群个体对所述当前遍历到的萤火虫种群个体进行位置更换，检测位置更换后的萤火虫种群个体的位置信息是否为最优位置信息，在检测到位置更换后的萤火虫种群个体的位置信息为最优位置信息时，则执行从所述最优位置信息中提取优化后的目标参数的步骤。具体地，在存在所述目标萤火虫种群个体时，可基于预设非线性权重值根据所述目标萤火虫种群个体对所述当前遍历到的萤火虫种群个体进行位置更换，其中所述预设非线性权重值的大小由萤火虫种群个体本身的适应度大小决定，具体地，上述位置变换可通过下式实现，
xi+1＝w*xi+β*(xk-xi)+α*(rand-0.5)
Figure BDA0002488819160000081
Figure BDA0002488819160000082
其中，xi+1为所述萤火虫种群个体迭代处理第i+1次时的位置，xi为所述萤火虫种群个体迭代处理第i次时的位置，xk为所述目标萤火虫种群个体的位置，w为所述预设非线性权重值，β为所述萤火虫种群个体间的相互吸引度，α为扰动的步长因子，rand为随机生成的0到1之间的实数，y为预设适应度比值系数，fxi为当前萤火虫种群个体的适应度值，fmax为当前萤火虫种群个体中的最高适应度值；fmin为当前萤火虫种群个体中的最低适应度值；
进一步地，本实施例还需获取所述当前遍历到的萤火虫种群个体位置变换前的位置信息和位置变换后的位置信息，再分别计算所述位置变换前的位置信息对应的适应度和所述位置变换后的位置信息对应的适应度，在所述位置变换前的位置信息对应的适应度和所述位置变换后的位置信息对应的适应度符合所述预设适应度容忍规则时，判定所述当前遍历到的萤火虫种群个体的位置更换有效，并在达到预设的迭代次数或所述当前遍历到的萤火虫种群个体的最大适应度值低于预设适应度值时，停止当前的位置更换，在所述当前遍历到的萤火虫种群个体的位置更换无效时，则回到位置更换前的位置。具体地，所述预设适应度容忍规则可通过下式实现，
T＝T+1
Figure BDA0002488819160000083
其中，所述T为预设计数系数，p为接受位置变换后的位置的概率，fnew为位置变换后的萤火虫种群个体的适应度，fold为位置变换前的萤火虫种群个体的适应度，exp为指数函数运算符。
上式中，T的初始值为0，对T值进行更新只在连续出现迭代前后适应度值降低的情况时才执行，当此情况发生次数较少时，并不能代表陷入了局部最优，此时有较大概率接受进化结果，而随着连续次数的增多，陷入局部最优的可能性也随之增加，因此接受进化的可能性也随之降低，直至为0，在未接受进化时，萤火虫种群个体将恢复到上一次的状态，重新进行遗传算法的对应的操作，当出现迭代前后适应度值增加的情况时，T值再次初始化为0。
步骤S303：若是，则获取所述萤火虫最优种群个体的位置信息，并将所述位置信息作为最优位置信息。
在当前遍历到的萤火虫种群个体为适应度最大的萤火虫最优种群个体时，则对其进行随机位置变换，即对所述萤火虫最优种群个体进行更新，具体可通过对所述萤火虫最优种群个体的位置所对应的数值随机增加0到1之间的实数，并获取所述萤火虫最优种群个体位置变换前的位置信息和位置变换后的位置信息，再分别计算所述位置变换前的位置信息对应的适应度和所述位置变换后的位置信息对应的适应度，在所述位置变换前的位置信息对应的适应度和所述位置变换后的位置信息对应的适应度符合上述预设适应度容忍规则时，判定所述萤火虫最优种群个体的位置更换有效，并在达到预设的迭代次数或所述萤火虫最优种群个体的最大适应度值低于预设适应度值时，停止当前的位置更换，在所述萤火虫最优种群个体的位置更换无效时，则回到位置更换前的位置。
本实施例通过引入预设适应度容忍规则和上述位置变换方式，以实现对萤火虫种群个体中最优种群个体的快速精准地确定，有助于神经网络获得符合期许的初始参数值，从而缩短神经网络的训练时间，提高神经网络的收敛精度，进一步地，提高基于所述神经网络建立的数据预测模型的预测精度。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有基于萤火虫算法的参数优化程序，所述基于萤火虫算法的参数优化程序被处理器执行时实现如上文所述的基于萤火虫算法的参数优化方法的步骤。
参照图4，图4为本发明基于萤火虫算法的参数优化装置第一实施例的结构框图。
如图4所示，本发明实施例提出的基于萤火虫算法的参数优化装置包括：
参数获取模块10，用于建立预设神经网络模型，获取所述预设神经网络模型中的目标参数；
个体生成模块20，用于通过萤火虫算法根据所述目标参数生成萤火虫种群个体；
最优确定模块30，用于获取所述萤火虫种群个体的位置信息，并基于预设适应度原则从所述位置信息中获取最优位置信息；
所述参数获取模块10，还用于从所述最优位置信息中提取优化后的目标参数。
本实施例通过建立预设神经网络模型，获取所述预设神经网络模型中的目标参数，通过萤火虫算法根据所述目标参数生成萤火虫种群个体，获取所述萤火虫种群个体的位置信息，并基于预设适应度原则从所述位置信息中获取最优位置信息，从所述最优位置信息中提取优化后的目标参数以改进萤火虫算法，并将改进后的萤火虫算法运用到神经网络的参数优化上，有助于神经网络获得符合期许的初始参数值，从而缩短神经网络的训练时间，提高神经网络的收敛精度，进一步地，提高基于所述神经网络建立的数据预测模型的预测精度。
基于本发明上述基于萤火虫算法的参数优化装置第一实施例，提出本发明基于萤火虫算法的参数优化装置的第二实施例。
在本实施例中，所述个体生成模块20，还用于获取所述目标参数的参数个数，通过萤火虫算法根据所述参数个数在预先设置的数值范围内生成萤火虫种群个体。
所述最优确定模块30，还用于获取所述萤火虫种群个体的位置信息，并根据所述位置信息分别计算所述萤火虫种群个体的适应度；
还用于对所述萤火虫种群个体进行遍历，基于所述适应度判断当前遍历到的萤火虫种群个体是否为适应度最大的萤火虫最优种群个体；
还用于在当前遍历到的萤火虫种群个体为适应度最大的萤火虫最优种群个体时，获取所述萤火虫最优种群个体的位置信息，并将所述位置信息作为最优位置信息。
还用于在当前遍历到的萤火虫种群个体不是适应度最大的萤火虫最优种群个体时，检测预设范围内是否存在适应度大于所述当前遍历到的萤火虫种群个体的适应度的目标萤火虫种群个体；
还用于在存在所述目标萤火虫种群个体时，根据所述目标萤火虫种群个体对所述当前遍历到的萤火虫种群个体进行位置更换；
还用于检测位置更换后的萤火虫种群个体的位置信息是否为最优位置信息，在位置更换后的萤火虫种群个体的位置信息为最优位置信息时，执行从所述最优位置信息中提取优化后的目标参数的操作。
还用于在存在所述目标萤火虫种群个体时，基于预设非线性权重根据所述目标萤火虫种群个体对所述当前遍历到的萤火虫种群个体进行位置更换。
还用于获取所述当前遍历到的萤火虫种群个体位置变换前的位置信息和位置变换后的位置信息；
还用于分别计算所述位置变换前的位置信息对应的适应度和所述位置变换后的位置信息对应的适应度；
还用于在所述位置变换前的位置信息对应的适应度和所述位置变换后的位置信息对应的适应度符合所述预设适应度容忍规则时，判定所述当前遍历到的萤火虫种群个体的位置更换有效。
所述参数获取模块10，还用于从所述位置信息中提取优化后的目标参数；
还用于获取所述预设神经网络模型的监测精度；
还用于在所述监测精度不符合预设精度要求时，校正所述优化后的目标参数，直至所述预设神经网络模型的监测精度符合所述预设精度要求。
本发明基于萤火虫算法的参数优化装置的其他实施例或具体实现方式可参照上述各方法实施例，此处不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器/随机存取存储器、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于萤火虫算法的参数优化方法，其特征在于，所述方法包括以下步骤：
建立预设神经网络模型，获取所述预设神经网络模型中的目标参数；
通过萤火虫算法根据所述目标参数生成萤火虫种群个体；
获取所述萤火虫种群个体的位置信息，并基于预设适应度原则从所述位置信息中获取最优位置信息；
从所述最优位置信息中提取优化后的目标参数。
2.如权利要求1所述的方法，其特征在于，所述通过萤火虫算法根据所述目标参数生成萤火虫种群个体的步骤，具体包括：
获取所述目标参数的参数个数，通过萤火虫算法根据所述参数个数在预先设置的数值范围内生成萤火虫种群个体。
3.如权利要求1所述的方法，其特征在于，所述获取所述萤火虫种群个体的位置信息，并基于预设适应度原则从所述位置信息中获取最优位置信息的步骤，具体包括：
获取所述萤火虫种群个体的位置信息，并根据所述位置信息分别计算所述萤火虫种群个体的适应度；
对所述萤火虫种群个体进行遍历，基于所述适应度判断当前遍历到的萤火虫种群个体是否为适应度最大的萤火虫最优种群个体；
若是，则获取所述萤火虫最优种群个体的位置信息，并将所述位置信息作为最优位置信息。
4.如权利要求3所述的方法，其特征在于，所述对所述萤火虫种群个体进行遍历，基于所述适应度判断当前遍历到的萤火虫种群个体是否为适应度最大的萤火虫最优种群个体的步骤之后，还包括：
若否，则检测预设范围内是否存在适应度大于所述当前遍历到的萤火虫种群个体的适应度的目标萤火虫种群个体；
在存在所述目标萤火虫种群个体时，根据所述目标萤火虫种群个体对所述当前遍历到的萤火虫种群个体进行位置更换；
检测位置更换后的萤火虫种群个体的位置信息是否为最优位置信息，若是，则执行从所述最优位置信息中提取优化后的目标参数的步骤。
5.如权利要求4所述的方法，其特征在于，所述在存在所述目标萤火虫种群个体时，根据所述目标萤火虫种群个体对所述当前遍历到的萤火虫种群个体进行位置更换的步骤，具体包括：
在存在所述目标萤火虫种群个体时，基于预设非线性权重根据所述目标萤火虫种群个体对所述当前遍历到的萤火虫种群个体进行位置更换。
6.如权利要求4所述的方法，其特征在于，所述在存在所述目标萤火虫种群个体时，根据所述目标萤火虫种群个体对所述当前遍历到的萤火虫种群个体进行位置更换的步骤之后，还包括：
获取所述当前遍历到的萤火虫种群个体位置变换前的位置信息和位置变换后的位置信息；
分别计算所述位置变换前的位置信息对应的适应度和所述位置变换后的位置信息对应的适应度；
在所述位置变换前的位置信息对应的适应度和所述位置变换后的位置信息对应的适应度符合所述预设适应度容忍规则时，判定所述当前遍历到的萤火虫种群个体的位置更换有效。
7.如权利要求1所述的方法，其特征在于，所述从所述最优位置信息中提取优化后的目标参数的步骤，具体包括：
从所述位置信息中提取优化后的目标参数；
获取所述预设神经网络模型的监测精度；
在所述监测精度不符合预设精度要求时，校正所述优化后的目标参数，直至所述预设神经网络模型的监测精度符合所述预设精度要求。
8.一种基于萤火虫算法的参数优化装置，其特征在于，所述装置包括：
参数获取模块，用于建立预设神经网络模型，获取所述预设神经网络模型中的目标参数；
个体生成模块，用于通过萤火虫算法根据所述目标参数生成萤火虫种群个体；
最优确定模块，用于获取所述萤火虫种群个体的位置信息，并基于预设适应度原则从所述位置信息中获取最优位置信息；
所述参数获取模块，还用于从所述最优位置信息中提取优化后的目标参数。
9.一种基于萤火虫算法的参数优化设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于萤火虫算法的参数优化程序，所述基于萤火虫算法的参数优化程序配置为实现如权利要求1至7中任一项所述的基于萤火虫算法的参数优化方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有基于萤火虫算法的参数优化程序，所述基于萤火虫算法的参数优化程序被处理器执行时实现如权利要求1至7任一项所述的基于萤火虫算法的参数优化方法的步骤。
CN202010401176.3A 2020-05-12 2020-05-12 基于萤火虫算法的参数优化方法、装置、设备及存储介质 Pending CN111582430A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010401176.3A CN111582430A (zh) 2020-05-12 2020-05-12 基于萤火虫算法的参数优化方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010401176.3A CN111582430A (zh) 2020-05-12 2020-05-12 基于萤火虫算法的参数优化方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN111582430A true CN111582430A (zh) 2020-08-25

Family

ID=72113433

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010401176.3A Pending CN111582430A (zh) 2020-05-12 2020-05-12 基于萤火虫算法的参数优化方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111582430A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113313287A (zh) * 2021-04-23 2021-08-27 江苏省农业科学院 一种灰飞虱种群数量短期预测模型的构建方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113313287A (zh) * 2021-04-23 2021-08-27 江苏省农业科学院 一种灰飞虱种群数量短期预测模型的构建方法
CN113313287B (zh) * 2021-04-23 2023-12-08 江苏省农业科学院 一种灰飞虱种群数量短期预测模型的构建方法

Similar Documents

Publication Publication Date Title
Wainwright Variance-reduced $ Q $-learning is minimax optimal
Bučar et al. Reliability approximation using finite Weibull mixture distributions
Lan et al. Two-stage extreme learning machine for regression
Giovanis et al. Bayesian updating with subset simulation using artificial neural networks
CN110232444B (zh) 地质监测bp神经网络的优化方法、装置、设备及存储介质
CN110727943B (zh) 一种入侵检测方法及装置
CN111416797A (zh) 改进天牛群算法优化正则化极限学习机的入侵检测方法
JP2020525872A (ja) インフルエンザ予測モデルの生成方法、装置及びコンピュータ可読記憶媒体
CN112885415B (zh) 基于分子表面点云的雌激素活性快速筛查方法
CN113392971A (zh) 策略网络训练方法、装置、设备及可读存储介质
CN116257363B (zh) 资源调度方法、装置、设备及存储介质
CN113377964A (zh) 知识图谱链接预测方法、装置、设备及存储介质
CN111582430A (zh) 基于萤火虫算法的参数优化方法、装置、设备及存储介质
WO2020031802A1 (ja) 学習方法、学習装置、モデル生成方法及びプログラム
CN112215347A (zh) 用于确定神经网络的成对连续层之间的传递函数的方法和计算工具
CN114693066B (zh) 地震危险性分析方法、装置、设备及存储介质
CN114386309B (zh) 一种云计算环境下代理优化的问题规模统一化方法
CN114821173A (zh) 图像分类方法、装置、设备及存储介质
CN111949530B (zh) 测试结果的预测方法、装置、计算机设备及存储介质
CN113792187A (zh) 群智软件开发贡献质量评估方法、装置、设备及介质
CN113641767A (zh) 实体关系抽取方法、装置、设备及存储介质
WO2021075009A1 (ja) 学習装置、推定装置、学習方法及び学習プログラム
CN111343259A (zh) 基于二进制编码的云任务调度方法、服务器及存储介质
Niskanen A statistical random variable approach to fuzzy cognitive map modeling
CN113962391B (zh) 神经网络架构搜索方法、装置、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200825