CN113240068A - 一种基于改进蚁狮算法的rbf神经网络优化方法 - Google Patents

一种基于改进蚁狮算法的rbf神经网络优化方法 Download PDF

Info

Publication number
CN113240068A
CN113240068A CN202110527938.9A CN202110527938A CN113240068A CN 113240068 A CN113240068 A CN 113240068A CN 202110527938 A CN202110527938 A CN 202110527938A CN 113240068 A CN113240068 A CN 113240068A
Authority
CN
China
Prior art keywords
ant
neural network
elite
lion
ants
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
CN202110527938.9A
Other languages
English (en)
Inventor
尚尚
张先芝
王召斌
刘明
杨童
戴园强
何康宁
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.)
Jiangsu University of Science and Technology
Original Assignee
Jiangsu University of Science and Technology
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 Jiangsu University of Science and Technology filed Critical Jiangsu University of Science and Technology
Priority to CN202110527938.9A priority Critical patent/CN113240068A/zh
Publication of CN113240068A publication Critical patent/CN113240068A/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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

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)
  • Feedback Control In General (AREA)

Abstract

本发明涉及神经网络优化的技术领域，具体地说，是一种基于改进蚁狮算法的RBF神经网络优化方法，通过改进后的蚁狮算法寻找RBF神经网络的最优初始参数，建立RBF神经网络海杂波预测模型，实现对海杂波的预测和抑制。本发明在蚂蚁的随机游走中加入扰动因子，该扰动对寻找全局最优有更好的调节能力，在陷入局部最优时能更好的逃离，较好的平衡了该算法的全局搜索和局部搜索能力。在蚂蚁的位置更新中使用加权精英更新，使得随机游走的蚂蚁更好的利用当前种群中的最优蚁狮解。提高了ALO算法的寻优精度和收敛速度。将改进的ALO优化方法用于优化RBF神经网络的初始参数，进一步提高了神经网络的精度和稳定性。

Description

一种基于改进蚁狮算法的RBF神经网络优化方法
技术领域
本发明涉及神经网络优化的技术领域，具体地说，是一种基于改进蚁狮算法的RBF神经网络优化方法。
背景技术
在雷达回波中，海杂波的存在严重干扰了雷达对海面目标的检测和定位跟踪的性能，无论是对海洋环境的监测还是海上目标的检测都有着极大的影响。在强海杂波背景和低虚警概率的情况下，雷达系统发现目标的能力收到了极大的影响。如果能够在一定程度上降低或者消除海杂波的影响，将会很大程度提高雷达对海洋的监测能力，对保卫领海主权，巩固国防建设具有重大意义。
学者对海杂波进行了大量的研究，建立了很多以传统统计学为基础的经典海杂波模型，但是这些模型大多是出于经验和数据的拟合，并没有反映海杂波产生的物理机制，因此只通过某种模型分布来描述海杂波的泛化能力差。因而衍生出了一系列的由混沌动力学基础上发展起来的对于海杂波内在动力学特征的研究。其中，非线性理论主要是研究复杂对象隐含在不规律表象之中的规律性，从而提出了通过径向基(Radial Basis Function,RBF)神经网络训练从而获得海杂波的内在动态特性。在训练RBF神经网络之前，首先要确定神经网络的初始化参数，初始化参数对神经网络的训练结果有着重要的影响，常用的初始化方法是随机产生或者通过动态聚类算法对数据进行自组织选择，初始参数的随机选择容易导致训练精度差以及泛化能力差，同时也会影响神经网络的稳定性。针对上述问题，引入了蚁狮算法对RBF神经网络的初始参数进行优化，通过蚁狮(Ant Lion Optimizer，ALO)算法寻找神经网络的最优初始参数，从而提高网络的可靠性及稳定性。
蚁狮算法是通过模拟蚂蚁，蚁狮在自然界的捕食关系进行实际问题求解以及寻优的过程。蚁狮相当于优化问题的解，通过蚂蚁的随机游走来实现全局搜索，蚂蚁的位置由两个因素决定，一个因素是围绕通过轮盘赌选择的蚁狮的随机行走，另一个因素是围绕精英蚁狮的随机行走，随着迭代次数的增加，蚂蚁的游走半径逐渐。不断更新蚂蚁的位置，蚁狮通过猎捕适应度更优的蚂蚁从而实现对近似最优解的保存和更新。随着迭代次数的增加，精英蚁狮逐渐向全局最优靠靠近，精英蚁狮最后的位置即为所求最优解。将蚁狮算法用于优化问题的求解，已经广泛应用于计算机、电力系统、无人机航线规划等诸多领域。此处将其应用于寻找RBF神经网络的最优初始化参数，提高了RBF神经网络的可靠性和稳定性。
虽然ALO算法操作简单，易于实现，改善了RBF神经网络的性能，提高了神经网络的训练精度，但是在ALO算法寻优的过程中，仍然存在着很多问题需要改善。虽然轮盘赌在一定程度上可以使得蚂蚁种群具有更高的全局搜索能力，但是蚁狮种群在迭代过程中仍然存在着适应度相对较差的个体，通过轮盘赌进行选择有可能会选到适应度值很低的蚁狮，如果蚂蚁围绕这类蚁狮进行随机游走，可能会导致算法整体的寻优效率降低，也可能会陷入局部最优解。另外，随着迭代系数的增加，蚂蚁不断向精英种群靠拢，不可避免的降低了种群的多样性，蚁狮算法容易陷入局部最优停滞。如果此时精英蚁狮不属于全局最优区域，那么蚂蚁种群就很难跳出局部最优，导致的结果就是精英蚁狮不能向着最优解方向收敛，收敛速度慢。
为解决上述问题，学者们提出了一系列优化方法对蚁狮算法进行改进。带混沌侦查机制的蚁狮优化方法借鉴人工蜂群算法的侦查思想,在蚁狮原有信息的基础上引进混沌搜索机制，该算法首先将排序蚁狮种群中适应度较差的个体定义为侦查蚁狮,并将其原始位置信息作为Fuch混沌映射的初始值,然后通过一定次数的混沌搜索迭代获得一个适应度值更优的位置再重新赋值给侦查蚁狮,以提高蚁狮种群的优良性和算法的寻优性能，该提高了种群对求解域的映射能力，但并未改善算法的收敛速度。因此，针对蚁狮算法在寻优过程中易陷入局部最优、收敛速度慢的缺点，提出了一种加权精英更新带扰动因子的蚁狮算法，引入扰动因子之后较好的平衡了全局搜索于局部搜索的能力，在陷入局部最优时能更好的逃离，该扰动对寻找全局最优有更好的调节能力。在蚂蚁位置的更新公式中引入加权精英更新，更合理的使用当前种群的最优蚁狮解，在迭代初期，由轮盘赌选择的蚁狮适应度较差，通过设置的权值使得精英蚁狮对随机游走的蚂蚁影响更大，在迭代后期，为了保证蚂蚁种群的多样性，通过权值的变化提高轮盘赌选择的蚁狮对蚂蚁随机游走位置的影响。本发明有效避免了陷入局部最优的问题，增强了总体的优化性能和收敛速率，提高了寻优精度，应用于RBF神经网络的优化有着十分重要的意义。
发明内容
本发明的目的在于解决现有的蚁狮算法容易陷入局部最优并且后期收敛速度慢的技术问题，在此基础上提供一种基于改进蚁狮算法的RBF神经网络优化方法。
本发明为实现上述目的，采用以下技术方案：
一种基于改进蚁狮算法的RBF神经网络优化方法，包括以下步骤：
步骤1：确定RBF神经网络的结构，根据求解问题确定神经网络的输入以及输出节点个数，确定隐含层神经元节点数；
步骤2：根据隐含层节点数计算所需优化的网络参数的个数，将所要优化的目标映射为蚂蚁以及蚁狮的位置；
步骤3：初始化蚂蚁和蚁群的位置；
步骤4：将数据进行归一化处理；
步骤5：将训练数据输入到网络模型当中，根据网络输出值与预测值的误差，用适应度函数来评估当前蚂蚁和蚁狮的适应度值；
步骤6：根据初始化种群的位置，计算蚁狮的适应度值，选择出精英蚁狮；
步骤7：蚂蚁围绕通过轮盘赌选择的蚁狮以及精英蚁狮随机游走，其中游走公式引入扰动因子，引入加权精英更新蚂蚁种群的位置；
步骤8：根据蚂蚁和蚁狮的适应度值，更新蚁狮位置并根据适应度值选出当前最佳蚁狮，引入精英反向学习，更新精英蚁狮位置；
步骤9：判断是否达到给定的最大迭代次数，如果达到最大迭代次数则返回精英蚁狮位置参数，并将其映射为RBF神经网络所对应的网络参数初始值，否则返回步骤7。
具体地，步骤2所述蚂蚁和蚁狮的位置是一个n维的数据，其中n由下式计算所得：
n＝hidnum*2+hidnum*innum
式中hidnum表示径向基神经网络隐含层节点的个数，innum表示输入层节点数的个数，outnum表示输出层节点数。
具体地，步骤4中对数据进行归一化处理，采用下式作为计算函数：
Figure BDA0003066944820000041
式中
Figure BDA0003066944820000042
表示第i(i＝1,2,…,n)个数据的归一化值，n表示输入数据样本个数，xi为第i个样本值,max(x)表示输入样本的最大值，min(x)表示输入样本的最小值。
具体地，步骤5中采用下式作为适应度值的计算函数：
Figure BDA0003066944820000043
式中Y表示真实标签的值，Yp表示神经网络的预测值。N为训练数据的个数。
具体地，步骤7中的蚂蚁的随机游走公式满足下式：
X(t)＝[0,cumsum(2r(t1))-1,…,cumsum(2r(tmax)-1)]
Figure BDA0003066944820000044
其中，X(t)是蚂蚁随机游走步数集，cumsum是蚂蚁游走位置累积和，t为游走步数，tmax是随机最大游走步数(最大迭代次数)。r(t)为自定义随机函数，rand是[0,1]上的均匀分布的随机函数。
随着迭代次数的增加，蚂蚁随机游走范围的上界和下界减小，其计算公式如下：
Figure BDA0003066944820000045
Figure BDA0003066944820000046
Figure BDA0003066944820000047
式中ct表示在第t次迭代中，所有变量的最小值，dt表示在第t次迭代中，所有变量的最大值，t为当前迭代次数，T为最大迭代次数，ω是由当前迭代次数和最大迭代次数所决定的常数，可以调整开发的精度。且当t＜0.1T时，I＝1。
具体地，步骤7中蚂蚁的搜索空间有边界限制，所以需要对蚂蚁位置进行归一化处理，此处引入扰动因子β，扰动因子较好的平衡了算法在全局搜索与局部搜索能力。其定义公式如下：
Figure BDA0003066944820000051
β＝[4×β0×(1-β0)]2+0.5
式中，
Figure BDA0003066944820000052
为蚂蚁的位置参数，ai和bi分别表示第i个变量的最大值和最小值，
Figure BDA0003066944820000053
分别表示第t次迭代中第i个变量的最小值和最大值。在扰动因子的计算公式中，β0＝rand，rand是[0,1]上的均匀分布的随机函数。
具体地，步骤7中引入加权精英更新，具体更新公式如下：
Figure BDA0003066944820000054
w1＝0.3+(t/T)/4
w2＝0.7-(t/T)/4
式中
Figure BDA0003066944820000055
为更新后的蚂蚁位置，
Figure BDA0003066944820000056
为围绕根据轮盘赌所选择的蚁狮的随机行走所确定的位置，
Figure BDA0003066944820000057
为围绕根据精英蚁狮的随机行走所确定的位置，t为当前迭代次数，T为最大迭代次数。
具体地，步骤8按照下式定义更新蚁狮位置：
Figure BDA0003066944820000058
式中
Figure BDA0003066944820000059
是第t次迭代中第j只蚁狮的位置，
Figure BDA00030669448200000510
表示第t次迭代中第i只蚂蚁的位置，f为适应度函数，t为当前迭代次数。
具体地，步骤8引入精英反向学习，定义公式如下：
Elite＝(Elite1,Elite2,…,Eliten)
Figure BDA00030669448200000511
Figure BDA00030669448200000512
式中，ai,bi分别为蚁狮第i个位置变量范围的上限值和下限值。Elite为精英蚁狮的位置，Elite*为所求得的精英反向解。将适应度最优的蚁狮与精英蚁狮，精英反向解作比较，更新精英蚁狮。
本发明采用以上技术方案，与现有技术相比的有益效果是：
1.优化了RBF神经网络的初始化参数的确定，避开了用自组织聚类方法为神经网络隐层节点的径向基函数确定数据中心的方法，为RBF神经网络寻得最优初始化参数，增强了RBF神经网络模型训练的精度和稳定性；
2.在蚂蚁以随机游走的方式更新位置的公式中引入扰动因子，在随机游走初期增大了蚂蚁的游走范围，加强了全局搜索的能力；在随机游走后期减小了勘探范围，增强了局部搜索的能力。在蚂蚁位置的更新公式中引入加权精英更新，更合理的使用当前种群的最优蚁狮解。本发明有效避免了陷入局部最优的问题，在全局搜索和局部搜索之间有了较好的平衡，增强了总体的优化性能和收敛速率，提高了寻优精度。
附图说明
图1为本发明流程图。
图2为RBF神经网络的拓扑结构图。
具体实施方式
为了加深对本发明的理解，下面将结合附图和实施例对本发明做进一步详细描述，该实施例仅用于解释本发明，并不对本发明的保护范围构成限定。
本发明公开了一种基于改进蚁狮算法的RBF神经网络优化方法，图2给出了RBF神经网络的拓扑结构，以进行海杂波预测的RBF神经网络模型进行示例性说明，图1给出了该实施例的具体步骤：
步骤1：确定RBF神经网络的拓扑结构，RBF神经网络结构简单，有输入层，隐含层以及输出层三层结构。其中，网络输入节点以及输出层节点个数需要根据实际问题确定，隐含层节点个数可以根据聚类算法所求得的数据簇个数确定，也可以根据实际问题的需要通过大量试验人为确定隐含层节点个数。
步骤2：根据网络结构参数确定蚂蚁和蚁狮的位置维数，蚁狮算法需要优化的参数包括数据中心C，数据的宽度σ以及网络权重ω其中。径向基神经网络输入层节点和隐含层节点的个数分别为innum，hidnum，则蚂蚁和蚁狮的位置是一个n维的数据，其中n由下式计算所得：
n＝hidnum*2+hidnum*innum
将蚁狮算法用于RBF神经网络的初始化参数的优化，也就是将蚁狮算法所得到的精英蚁狮的位置参数映射为神经网络的初始化参数，所以蚂蚁的位置参数的维数也就是所要优化的参数的个数。在RBF神经网络中，输入层到隐含层的激活函数为径向基函数，函数形式如下：
Figure BDA0003066944820000071
步骤3：初始化蚂蚁和蚁狮的位置时要对不同维度进行讨论，RBF神经网络隐含层的权重对应的位置参数初始化范围设定为(-1,1)之间，输入数据会进行归一化处理，所以隐含层的数据中心和数据宽度对应的位置参数的初始化范围应设置在(0,1)之间。
步骤4：对数据进行归一化处理，采用下式作为归一化值计算函数：
Figure BDA0003066944820000072
式中
Figure BDA0003066944820000073
表示第i(i＝1,2,…,n)个数据的归一化值，n表示输入数据样本个数，xi为第i个样本值,max(x)表示输入样本的最大值，min(x)表示输入样本的最小值。
步骤5：将训练数据输入到网络模型当中，根据网络输出值与预测值的误差，用适应度函数来评估当前蚂蚁和蚁狮的适应度值，采用下式作为适应度值的计算函数：
Figure BDA0003066944820000074
式中Y表示真实标签的值，Yp表示神经网络的预测值。N为训练数据的个数。
步骤6：根据初始化蚁狮种群的位置，计算蚁狮的适应度值，选择出其中适应度最优的蚁狮，将最佳蚁狮的适应度值保存为最优适应度值，将最佳蚁狮更新为精英蚁狮。
步骤7：蚂蚁围绕通过轮盘赌选择的蚁狮以及精英蚁狮随机游走，其中游走公式引入扰动因子，引入加权精英更新蚂蚁种群的位置，蚂蚁的随机游走满足下式：
X(t)＝[0,cumsum(2r(t1))-1,…,cumsum(2r(tmax)-1)]
Figure BDA0003066944820000081
式中，X(t)是蚂蚁随机游走步数集，cumsum是蚂蚁游走位置累积和，t为游走步数，tmax是随机最大游走步数(最大迭代次数)。r(t)为自定义随机函数，rand是[0,1]上的均匀分布的随机函数。
为了模拟蚂蚁在陷阱内的滑动过程，也就是随着迭代次数的增加，蚂蚁围绕蚁狮的随机游走半径在逐渐减小，其计算公式如下：
Figure BDA0003066944820000082
Figure BDA0003066944820000083
Figure BDA0003066944820000084
式中，ct表示在第t次迭代中，所有变量的最小值，dt表示在第t次迭代中，所有变量的最大值，t为当前迭代次数，T为最大迭代次数，ω是由当前迭代次数和最大迭代次数所决定的常数，可以调整开发的精度。且当t＜0.1T时，I＝1。
为了保证蚂蚁在搜索空间内随机游走，对蚂蚁位置进行标准化处理，此处引入扰动因子β，扰动因子较好的平衡了算法在全局搜索与局部搜索能力。其定义公式如下：
Figure BDA0003066944820000085
β＝[4×β0×(1-β0)]2+0.5
式中，
Figure BDA0003066944820000086
为蚂蚁的位置参数，ai表示第i个变量的最大值，bi表示第i个变量的最小值，
Figure BDA0003066944820000091
分别表示第t次迭代中第i个变量的最小值和最大值。β0＝rand，rand是[0,1]上的均匀分布的随机函数。
由于蚂蚁的位置有两个因素决定，一个因素式围绕通过轮盘赌所选择蚁狮的随机行走，另一个因素是围绕精英蚁狮的随机行走，该算法早期通过随机轮盘赌策略挑选蚁狮会制约总体的优化性能和收敛速率，为了更加合理的利用当前的精英蚁狮解，在此处引入加权精英更新，具体更新公式如下：
Figure BDA0003066944820000092
w1＝0.3+(t/T)/4
w2＝0.7-(t/T)/4
式中
Figure BDA0003066944820000093
为更新后的蚂蚁位置，
Figure BDA0003066944820000094
为围绕根据轮盘赌所选择的蚁狮的随机行走所确定的位置，
Figure BDA0003066944820000095
为围绕根据精英蚁狮的随机行走所确定的位置，t为当前迭代次数，T为最大迭代次数。
步骤8：蚂蚁位置更新之后，根据适应度函数计算更新之后的蚂蚁的适应度值，将其与通过轮盘赌所选择的蚁狮的适应度值进行比较，如果蚂蚁的适应度优于所对应的蚁狮，则更新蚁狮的位置。定义如下：
Figure BDA0003066944820000096
式中
Figure BDA0003066944820000097
是第t次迭代中第j只蚁狮的位置，
Figure BDA0003066944820000098
表示第t次迭代中第i只蚂蚁的位置，f为适应度函数，t为当前迭代次数。
当所有蚂蚁与所对应的蚁狮比较完成之后，对更新后的蚁狮的适应度值进行排序，选择出当前的最佳蚁狮，此处引入精英反向学习，即由精英蚁狮生成精英反向解，定义如下：
Elite＝(Elite1,Elite2,…,Eliten)
Figure BDA0003066944820000099
Figure BDA00030669448200000910
式中，ai,bi分别为蚁狮第i个位置变量范围的上限值和下限值。Elite为精英蚁狮的位置，Elite*为所求得的精英反向解。将所得到的最佳蚁狮，精英蚁狮以及精英反向解三者进行比较，通过适应度函数分别计算三者的适应度值，选择适应度最优解更新精英蚁狮。
步骤9：判断是否达到给定的最大迭代次数，如果当前迭代次小于最大迭代次数，则返回步骤五继续通过更新蚂蚁位置进行后续优化更新，如果最大迭代次数，则返回精英蚁狮的位置，将其作为全局最优解，也就是适应度值最小的蚁狮的位置，然后将其通过映射，还原置神经网络的参数形式，将其作为神经网络的初始化参数，从而实现RBF神经网络的优化。
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (10)

1.一种基于改进蚁狮算法的RBF神经网络优化方法，其特征在于，该方法包含下列步骤：
步骤1：确定RBF神经网络的结构，根据求解问题确定神经网络的输入以及输出节点个数，确定隐含层神经元节点数；
步骤2：根据隐含层节点数计算所需优化的网络参数的个数，将所要优化的目标映射为蚂蚁以及蚁狮的位置；
步骤3：初始化蚂蚁和蚁群的位置，对不同维度进行讨论，RBF神经网络隐含层的权重对应的位置参数初始化范围设定为(-1,1)之间，输入数据会进行归一化处理，所以隐含层的数据中心和数据宽度对应的位置参数的初始化范围设置在(0,1)之间；
步骤4：将数据进行归一化处理；
步骤5：将训练数据输入到网络模型当中，根据网络输出值与预测值的误差，用适应度函数来评估当前蚂蚁和蚁狮的适应度值；
步骤6：根据初始化蚁狮种群的位置，计算蚁狮的适应度值，选择出其中适应度最优的蚁狮，将最佳蚁狮的适应度值保存为最优适应度值，将最佳蚁狮更新为精英蚁狮；
步骤7：蚂蚁围绕通过轮盘赌选择的蚁狮以及精英蚁狮随机游走，其中游走公式中加入扰动因子，使用加权精英更新蚂蚁种群的位置；
步骤8：根据蚂蚁和蚁狮的适应度值，更新蚁狮位置并根据适应度值选出当前最佳蚁狮，引入精英反向学习，更新精英蚁狮位置；
步骤9：判断是否达到给定的最大迭代次数，如果达到最大迭代次数则返回精英蚁狮位置参数，并将其映射为RBF神经网络所对应的网络参数初始值，否则返回步骤7。
2.根据权利要求1所述的基于改进蚁狮算法的RBF神经网络优化方法，其特征在于，步骤2所述蚂蚁和蚁狮的位置是一个n维的数据，其中n由下式计算所得：
n＝hidnum*2+hidnum*innum (1)
式中hidnum表示径向基神经网络隐含层节点的个数，innum表示输入层节点数的个数，outnum表示输出层节点数。
3.根据权利要求1所述的基于改进蚁狮算法的RBF神经网络优化方法，其特征在于，步骤3中初始化蚂蚁和蚁狮位置时，网络权重对应的位置参数初始化范围设定为(-1,1)之间，神经网络隐含层的数据中心和数据宽度对应的位置参数初始化范围在(0,1)之间。
4.根据权利要求1所述的基于改进蚁狮算法的RBF神经网络优化方法，其特征在于，步骤4数据归一化处理采用下式作为计算函数：
Figure FDA0003066944810000021
式中
Figure FDA0003066944810000022
表示第i(i＝1,2,…,n)个数据的归一化值，n表示输入数据样本个数，xi为第i个样本值,max(x)表示输入样本的最大值，min(x)表示输入样本的最小值。
5.根据权利要求1所述的基于改进蚁狮算法的RBF神经网络优化方法，其特征在于，步骤5中采用下式作为适应度值的计算函数：
Figure FDA0003066944810000023
式中Y表示真实标签的值，Yp表示神经网络的预测值，N为训练数据的个数。
6.根据权利要求1所述的基于改进蚁狮算法的RBF神经网络优化方法，其特征在于，步骤7中的蚂蚁的随机游走公式满足下式：
Figure FDA0003066944810000024
其中，X(t)是蚂蚁随机游走步数集，cumsum是蚂蚁游走位置累积和，t为游走步数，tmax是随机最大游走步数(最大迭代次数)，r(t)为自定义随机函数，rand是[0,1]上的均匀分布的随机函数。
7.根据权利要求1所述的基于改进蚁狮算法的RBF神经网络优化方法，其特征在于，步骤7中随着迭代次数的增加，蚂蚁随机游走范围的上界和下界减小，其计算公式如下：
Figure FDA0003066944810000031
Figure FDA0003066944810000032
Figure FDA0003066944810000033
式中ct表示在第t次迭代中，所有变量的最小值，dt表示在第t次迭代中，所有变量的最大值，t为当前迭代次数，T为最大迭代次数，ω是由当前迭代次数和最大迭代次数所决定的常数，且当t＜0.1T时，I＝1。
8.根据权利要求1所述的基于改进蚁狮算法的RBF神经网络优化方法，其特征在于，步骤7中蚂蚁的搜索空间有边界限制，引入扰动因子β，扰动因子较好的平衡了算法在全局搜索与局部搜索能力，其定义公式如下：
Figure FDA0003066944810000034
β＝[4×β0×(1-β0)]2+0.5 (9)
式中，
Figure FDA0003066944810000035
为蚂蚁的位置参数，ai表示第i个变量的最大值，bi表示第i个变量的最小值，
Figure FDA0003066944810000036
分别表示第t次迭代中第i个变量的最小值和最大值。β0＝rand，rand是[0,1]上的均匀分布的随机函数。
9.根据权利要求1所述的基于改进蚁狮算法的RBF神经网络优化方法，其特征在于，步骤7中引入加权精英更新，具体更新公式如下：
Figure FDA0003066944810000037
Figure FDA0003066944810000038
式中
Figure FDA0003066944810000039
为更新后的蚂蚁位置，
Figure FDA00030669448100000310
为围绕根据轮盘赌所选择的蚁狮的随机行走所确定的位置，
Figure FDA00030669448100000311
为围绕根据精英蚁狮的随机行走所确定的位置，t为当前迭代次数，T为最大迭代次数。
10.根据权利要求1所述的基于改进蚁狮算法的RBF神经网络优化方法，其特征在于，步骤8按照下式定义更新蚁狮位置：
Figure FDA0003066944810000041
式中
Figure FDA0003066944810000042
是第t次迭代中第j只蚁狮的位置，
Figure FDA0003066944810000043
表示第t次迭代中第i只蚂蚁的位置，f为适应度函数，t为当前迭代次数；
步骤8引入精英反向学习，定义公式如下：
Figure FDA0003066944810000044
式中，ai,bi分别为蚁狮第i个位置变量范围的上限值和下限值，Elite为精英蚁狮的位置，Elite*为所求得的精英反向解，将式(12)中适应度最优的蚁狮与精英蚁狮，精英反向解作比较，更新精英蚁狮。
CN202110527938.9A 2021-05-14 2021-05-14 一种基于改进蚁狮算法的rbf神经网络优化方法 Pending CN113240068A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110527938.9A CN113240068A (zh) 2021-05-14 2021-05-14 一种基于改进蚁狮算法的rbf神经网络优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110527938.9A CN113240068A (zh) 2021-05-14 2021-05-14 一种基于改进蚁狮算法的rbf神经网络优化方法

Publications (1)

Publication Number Publication Date
CN113240068A true CN113240068A (zh) 2021-08-10

Family

ID=77134466

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110527938.9A Pending CN113240068A (zh) 2021-05-14 2021-05-14 一种基于改进蚁狮算法的rbf神经网络优化方法

Country Status (1)

Country Link
CN (1) CN113240068A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114330933A (zh) * 2022-03-09 2022-04-12 北京峰玉科技有限公司 基于gpu并行计算的元启发式优化算法及电子设备
CN116340839A (zh) * 2023-02-08 2023-06-27 北京大数据先进技术研究院 基于蚁狮算法的算法选择方法及装置
CN117233540A (zh) * 2023-11-15 2023-12-15 广东电网有限责任公司江门供电局 一种基于深度学习的计量流水线故障检测方法及系统
CN117452828A (zh) * 2023-12-22 2024-01-26 中电行唐生物质能热电有限公司 基于神经网络的锅炉有害气体排放控制方法及系统

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114330933A (zh) * 2022-03-09 2022-04-12 北京峰玉科技有限公司 基于gpu并行计算的元启发式优化算法及电子设备
CN116340839A (zh) * 2023-02-08 2023-06-27 北京大数据先进技术研究院 基于蚁狮算法的算法选择方法及装置
CN116340839B (zh) * 2023-02-08 2023-10-20 北京大数据先进技术研究院 基于蚁狮算法的算法选择方法及装置
CN117233540A (zh) * 2023-11-15 2023-12-15 广东电网有限责任公司江门供电局 一种基于深度学习的计量流水线故障检测方法及系统
CN117233540B (zh) * 2023-11-15 2024-02-20 广东电网有限责任公司江门供电局 一种基于深度学习的计量流水线故障检测方法及系统
CN117452828A (zh) * 2023-12-22 2024-01-26 中电行唐生物质能热电有限公司 基于神经网络的锅炉有害气体排放控制方法及系统
CN117452828B (zh) * 2023-12-22 2024-03-01 中电行唐生物质能热电有限公司 基于神经网络的锅炉有害气体排放控制方法及系统

Similar Documents

Publication Publication Date Title
CN112329934A (zh) 一种基于改进麻雀搜索算法的rbf神经网络优化算法
CN113240068A (zh) 一种基于改进蚁狮算法的rbf神经网络优化方法
CN106453293B (zh) 一种基于改进bpnn的网络安全态势预测方法
CN111709524A (zh) 一种基于改进gwo算法的rbf神经网络优化方法
CN113627606A (zh) 一种基于改进粒子群算法的rbf神经网络优化方法
CN114969995B (zh) 一种基于改进麻雀搜索与声发射的滚动轴承早期故障智能诊断方法
CN112232493A (zh) 一种基于改进鲸鱼算法的rbf神经网络优化方法
CN112765902B (zh) 一种基于TentFWA-GD的RBF神经网络的农村生活污水处理过程中COD浓度的软测量建模方法
Cao et al. Improved crow search algorithm optimized extreme learning machine based on classification algorithm and application
Saffari et al. Fuzzy Grasshopper Optimization Algorithm: A Hybrid Technique for Tuning the Control Parameters of GOA Using Fuzzy System for Big Data Sonar Classification.
CN108983180A (zh) 一种群智能高精度的雷达海杂波预报系统
CN112149883A (zh) 基于fwa-bp神经网络的光伏功率预测方法
Liu An improved Harris hawks optimizer for job-shop scheduling problem
Yu et al. WSN node location based on beetle antennae search to improve the gray wolf algorithm
CN116454863A (zh) 一种基于改进天鹰优化算法的风电功率组合预测模型的最优权重确定方法
CN115099133A (zh) 一种基于tlmpa-bp的集群系统可靠性评估方法
Xu et al. An improved crow search algorithm based on oppositional forgetting learning
CN113722980A (zh) 海洋浪高预测方法、系统、计算机设备、存储介质、终端
Liu et al. An obsolescence forecasting method based on improved radial basis function neural network
CN116931103A (zh) 一种基于布谷鸟算法的电磁数据反演方法及系统
CN108668254B (zh) 基于改进BP神经网络的WiFi信号特征的区域定位方法
CN114004326B (zh) 一种基于改进郊狼算法的elm神经网络优化方法
Liu et al. Swarm intelligence for classification of remote sensing data
Liu et al. Research on Wireless Sensor Network Localization Based on An Improved Whale Optimization Algorithm
Li et al. Improved artificial fish swarm algorithm approach to robot path planning problems

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

Application publication date: 20210810

RJ01 Rejection of invention patent application after publication