论文部分内容阅读
文章提出一种模拟退火（SA）与粒子群优化（PSO）算法相结合的算法来优化Elman神经网络权值和阈值。当PSO处于停滞状态时，利用粒子群优化算法的全局寻优性质，以及SA能跳出局部最优解的特性，在搜索到的最优位置处用模拟退火算法继续寻找最优解，并对具有动态递归性能的Elman神经网络进行学习训练，这样就能对忙时话务量进行预测。结果表明，与传统Elman神经网络和PSO-Elman神经网络相比，基于模拟退火粒子群算法训练的神经网络具有更高的预测精度和良好的自适应性。