粒子群改進算法及在人工神經(jīng)網(wǎng)絡中的應用研究.pdf

1、粒子群優(yōu)化（PSO）算法屬于經(jīng)典的群智能算法，具有諸多特點，如參數(shù)較少、易于描述和實現(xiàn)、結(jié)構(gòu)簡單并且全局搜索能力較強等，因此，被廣泛應用于多目標求解、模式識別、復雜函數(shù)優(yōu)化等各個領(lǐng)域。但PSO算法也存在早熟收斂和局部搜索能力差等缺點，如求解高維復雜問題中，在沒有搜索到全局最優(yōu)時，粒子可能將聚集到某個位置停滯不動，即陷入早熟，早熟收斂將無法保證算法在搜索結(jié)束后一定能收斂到最優(yōu)；另外，在搜索后期，也即粒子在極值點區(qū)域附近時，收斂速度明顯變得

2、緩慢，在尋優(yōu)后期的粒子搜索能力較差。針對PSO算法的上述不足，學者們提出了許多改進策略的改進算法，使得算法不論是在性能上，還是在效率上都有較大提高。但研究適應性更廣、精度更高、性能、效率和相關(guān)性更好的計算算法仍然是研究者的重要目標。本文為提高PSO算法的收斂速度和性能，提出一種改進PSO算法并應用到ANN訓練，最后將模型應用于水質(zhì)的評價。
　　本研究主要內(nèi)容包括：⑴提出一種PSO改進算法。建立一種 Lorenz混沌序列和權(quán)值自適應

3、調(diào)整的 PSO改進算法，簡稱LSAPSO算法。算法中，為提高算法的收斂速度，引入自適應權(quán)重調(diào)整策略；為權(quán)衡算法的開發(fā)能力與探索能力的同時，盡量避免算法出現(xiàn)早熟收斂，引入將混沌理論產(chǎn)生的混沌序列對開發(fā)和探索學習因子進行改進。最后通過對4個常用的多目標測試函數(shù)進行實例實驗，并與經(jīng)典的多目標求解算法NSGA II和多目標PSO算法進行性能比較。研究表明，LSAPSO算法的收斂速度較快，求解精度較高，多樣性較好。⑵提出一種基于LSAPSO算法和

4、RBF ANN的混合神經(jīng)網(wǎng)絡模型（HANN），簡稱LSAPSO RBF ANN模型。在LSAPSO RBF ANN中，將LSAPSO算法對RBF ANN的函數(shù)中心及擴展常數(shù)、網(wǎng)絡權(quán)值進行優(yōu)化。模型將各算法的優(yōu)勢相互結(jié)合與補充，因而提高的模擬性能。⑶建立了基于HANN的水質(zhì)評價模型。通過實例驗證了HANN模型在評價水質(zhì)方面的可行性。通過與RBF ANN和PSO RBF ANN兩模型的性能分析比較研究表明，HANN模型在水質(zhì)評價上，預測精度