基于粒子群與遺傳算法的BP算法優(yōu)化研究.pdf

1、人工神經(jīng)網(wǎng)絡的靈感來自于生物神經(jīng)網(wǎng)絡，具有信息的分布表示、運算的全局性、自適應學習等特點。在人工神經(jīng)網(wǎng)絡中，不同的網(wǎng)絡模型對應著不同的學習算法。其中，BP算法是神經(jīng)網(wǎng)絡中最常用的學習方法之一，通過網(wǎng)絡誤差的反向傳遞來調(diào)整更新網(wǎng)絡的連接權值和節(jié)點閾值，從而使網(wǎng)絡的實際輸出與目標輸出的誤差達到事先規(guī)定的精度，達到網(wǎng)絡訓練的效果。盡管BP算法有顯著的優(yōu)點，但在實際應用中常常表現(xiàn)出一些問題，比如，容易陷入局部極小值、泛化能力弱、收斂速度慢等。針

2、對BP算法存在的問題，提出相應的改進方法。本文的主要研究內(nèi)容如下:
　　(1)簡要介紹了BP神經(jīng)網(wǎng)絡算法的研究背景和意義，以及各國學者們對BP算法的研究現(xiàn)狀。
　　(2)對人工神經(jīng)網(wǎng)絡的數(shù)學原理、學習規(guī)則、特點等方面進行了研究;研究了BP算法的網(wǎng)絡結構、基本原理及存在的缺陷和對應的改進措施。
　　(3)在傳統(tǒng)粒子群算法優(yōu)化BP網(wǎng)絡的基礎上進行改進，提出一種基于人工魚群和粒子群算法的BP算法。新的優(yōu)化算法引入了人工魚群的

3、聚群行為以及自適應的權值和學習因子。將改進的新算法應用于投資風險預測，仿真實驗分析表明，新算法能很好的避免早熟問題，能夠更快的搜索到全局最優(yōu)值，提高了BP算法的預測準確度和收斂速度。
　　(4)針對標準遺傳算法優(yōu)化BP算法過程中出現(xiàn)的問題，引入了混合蛙跳的分組策略和模擬退火的概率接收準則，提出了新的算法。將新算法運用到地震震級預測中，MATLAB仿真結果表明，新算法能有效的避免陷入局部極值，并能加快BP網(wǎng)絡的收斂速度，提高了算法的