论文部分内容阅读
提出了一种基于混沌粒子群优化的神经网络学习算法。该方法将Logistic混沌搜索嵌入到粒子群优化算法中，利用混沌变量对子代部分粒子群体进行微小扰动并随着搜索过程的进行逐渐调整扰动幅度，以克服算法早熟、陷入局部极值缺陷。通过典型基准函数的测试，结果表明与常规粒子群。遗传算法比较，该方法具有更好的优化性能。在此基础上将其应用到三输入XOR问题和农药定量构效关系的神经网络建模中，仿真结果表明该方法是一种有孜的神经网络学习方法。