基于群體智能算法的人工神經(jīng)網(wǎng)絡(luò)優(yōu)化及其應(yīng)用.pdf

1、本文的目的是研究運用兩類群體智能算法一粒子群算法(簡稱PSO)以及具有量子行為粒子群算法(簡稱QPSO)訓練人工神經(jīng)網(wǎng)絡(luò)，特別是徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(簡稱RBF NN)，以及基于QPSO和RBF NN的生化過程控制。由于神經(jīng)網(wǎng)絡(luò)的訓練歸結(jié)為對誤差函數(shù)的最小化，而誤差函數(shù)一般為多峰的，可能存在許多局部極值，一般的梯度算法往往找不到全局最優(yōu)解。PSO算法和QPSO算法都是全局搜索算法，所以用PSO算法或QPSO算法訓練人工神經(jīng)網(wǎng)絡(luò)對于提高神經(jīng)

2、網(wǎng)絡(luò)在建模和預測精度上具有重要意義。 首先，本文闡述了神經(jīng)網(wǎng)絡(luò)的基本原理和粒子群算法(PSO)以及具有量子行為粒子群算法(QPSO)的基本思想，強調(diào)了QPSO在全局優(yōu)化問題中比PSO算法具有更好的收斂性能。接著以徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(RBF NN)為對象，應(yīng)用PSO與QPSO算法作為訓練算法，給出了具體的操作過程。然后以函數(shù)逼近和地下水位預測問題作為仿真實例，測試了基于PSO訓練的RBF以及QPSO訓練的RBF，比較了兩者的訓練精

3、度和算法收斂速度。仿真結(jié)果表明，用QPSO訓練RBF網(wǎng)絡(luò)，精度更高，收斂速度更快。 其次，還將QPSO訓練的RBF應(yīng)用于系統(tǒng)辯識和混沌時間序列預測。文中以幾個著名的測試系統(tǒng)作為實例，將QPSO-RBF和PSO-RBF進行測試，仿真結(jié)果表明，對于系統(tǒng)辯識問題，QPSO-RBF能夠找到的系統(tǒng)參數(shù)更好，收斂速度更快。對于混沌時間序列預測問題，QPSO-RBF的性能和效率同樣優(yōu)于PSO-RBF。 最后，本文還將 QPSO 用于基

4、于 RBF 網(wǎng)絡(luò)的生化過程控制。為了測試性能，分別將遺傳算法(Genetic Algorithm，簡稱GA)和QPSO算法用于谷氨酸發(fā)酵過程的生化變量預測，通過智能算法對神經(jīng)網(wǎng)絡(luò)的優(yōu)化，建立基于群體智能算法的RBF神經(jīng)網(wǎng)絡(luò)預測模型，對難以在線測量的生化變量進行離線預測。仿真結(jié)果證明，QPSO的收斂速度明顯高于GA算法，且魯棒性好。 本文的研究工作表明，用QPSO訓練神經(jīng)網(wǎng)絡(luò)，其性能優(yōu)于其他智能算法如：PSO算法和遺傳算法，收斂速