论文部分内容阅读
由于智能算法的迅猛发展,我们课题组在对新型仿生蝙蝠算法(Bat Algorithm,BA)的种群多样性的增加、收敛速度和精度的提高等问题研究的基础上,针对2016年提出的模拟海洋座头鲸捕食行为的鲸鱼优化算法(Whale Optimization Algorithm,WOA)开展了深入研究。由于WOA算法的研究及应用仍处于起步阶段,算法本身仍存在着求解精度较低、收敛速度较慢且易陷入局部最优等不足。我们在此基础上对WOA进行了更深入的研究,引入全局学习机制,给出了一种基于精英选择策略的改进鲸鱼优化算法(MWOA),然后再将MWOA用于优化训练BP神经网络,给出了基于MWOA的BP神经网络优化预测模型,最后通过6个拟合函数和3个UCI公共数据集对基于上述三种智能算法的BP神经网络预测模型进行验证比对分析,表明了MWOA的可行性及优化后的神经网络预测模型的强有效性。本文主要研究工作如下:1.筛选了14个经典测试函数,分别用于BA和WOA算法的实验仿真,各自独立运行50次,通过仿真验证了WOA较BA整体上提高了收敛精度,同时克服了BA易早熟的缺陷,无论在开发能力、全局搜索能力以及稳定性方面均更胜一筹,更具有竞争力。2.为了进一步增强WOA算法的全局搜索能力、增加种群的多样性、同时避免其陷入局部最优,我们采用精英选择策略,引入全局学习机制,给出了一种基于精英选择策略的改进鲸鱼算法(MWOA),算法通过新产生的鲸鱼个体向历史最优个体学习的方式来增强鲸鱼算法的全局寻优能力;再通过上述14个经典测试函数将MWOA算法与BA和WOA算法进行比较分析,实验表明MWOA的寻优精度、收敛性能等均优于BA和WOA两种智能算法。3.为汲取BP神经网络的众多优势,克服其局限性,提高网络的收敛速度以及全局搜索能力,我们分别将BA、WOA以及MWOA算法用于训练BP神经网络,给出了基于MWOA的BP神经网络优化预测模型,并通过6个拟合函数和3个UCI公共数据集,从网络寻优精度和学习能力的性能等方面与基本BP神经网络和基于BA及WOA的BP神经网络预测模型进行对比分析,验证了改进的网络预测模型的可行性和有效性。