基于动态微粒群算法的神经网络模型及应用研究(无全文)

作者:杨蕾;林红 刊名:水资源与水工程学报 上传者:

抱歉,该篇全文还没有人上传哦!我要 上传, 我要 求助

【摘要】通过对微粒群PSO优化算法惯性因子和加速因子的动态调整,保证PSO算法迭代过程中全局与局部寻优能力的动态平衡,构造了一种更加稳定准确的动态微粒群DPSO优化算法。进而将动态微粒群DPSO优化算法与传统BP神经网络相结合,分别采用动态微粒群DPSO优化算法和自适应BP算法对神经网络权值进行全局优化和局部二次优化,建立基于动态微粒群优化算法的神经网络DPSO-NN预测模型。利用所建立的动态微粒群神经网络模型对渤海某海域年极值冰厚进行训练预测,并将训练预测结果与BP-NN、GA-NN、PSO-NN模型的训练预测结果、以及实际数据进行对比分析,验证DPSO-NN预测模型具有更优的训练稳定性和预测准确性,为冰区海洋平台安全评估提供了更为可靠的环境载荷参量。

全文阅读

渤海及黄海北部海区是我国开发利用最早的海上油气储集区,目前已有大量海洋平台在此生产服役,然而每年冬季随着寒潮的不断侵袭,该海区都会出现较为严重的海冰,影响海洋平台的安全作业和油气生产,甚至导致过多次平台倒塌、船舶破坏、航运中断等严重的海冰灾害。因此,海冰载荷就成为了冰区海洋平台所经受的主要环境载荷,是进行平台安全可靠性评估的重要基础,从而准确预测海冰极值冰厚的变化具有重要的实际意义和必要性。BP神经网络模型(BP-NN)作为一种自学习性、自组织性的方法已成功应用于各类预测问题,但其本质是一种梯度下降算法,不可避免的具有收敛速度慢、局部最优、稳定性差等缺点。为克服传统BP神经网络模型(BP-NN)所具有的收敛速度慢、局部最优、稳定性差等缺点[1],有研究者将遗传算法、免疫算法等智能优化算法引入神经网络模型[2-5],并取得一定应用效果。如文献[4]构建了基于遗传算法GA(GeneticAlgorithm)的神经网络预测模型(GA-NN),可在一定程度上克服传统BP神经网络易陷入局部收敛的缺点。为保持种群进化的多样性并提高传统遗传算法收敛速度和局部搜索能力,文献[5]引入混沌搜索过程和免疫机制,建立基于混沌免疫遗传算法ChaosImmuneGeneticAlgo-rithm的神经网络模型(CIGA-NN)。然而,由于遗传算法进化过程(选择、交叉和变异)复杂且计算量大,至使遗传神经网络模型学习训练时间较长,大大限制和影响遗传神经网络模型的实际应用。微粒群算法PSO(ParticleSwarmOptimiza-tion)[6-7]是一种群体智能优化算法,通过模拟鸟群觅食的群体组织行为,实现全局寻优的目标。该方法具有算法过程简单,搜索精度高,且计算量小等独特优点。基于此,本文将微粒群算法PSO引入传统BP神经网络优化过程,并通过PSO优化过程中参数的动态调整,实现PSO算法全局与局部寻优能力的动态平衡,构造了一种更加稳定准确的动态微粒群DPSO优化算法。进而,将动态微粒群DPSO优化算法与传统BP神经网络相结合,分别采用动态微粒群DPSO优化算法和自适应BP算法对神经网络权值进行全局和局部二次优化,建立基于动态微粒群优化算法的神经网络DPSO-NN预测模型。算例结果表明,与传统BP-NN、GA-NN和传统PSO-NN训练预测结果相比,DPSO-NN预测模型具有更优的训练稳定性和预测准确性。1动态微粒群DPSO算法1.1传统PSO算法在微粒群算法中,d维搜索空间中N个点Xi=(x1,x2,…,xd),i=1,2,…,N代表了优化问题可行域内的N个可行解,亦代表了鸟群中N只鸟的位置。根据鸟群组织的自身最佳认知和群体最佳认知,每只鸟在觅食过程中,总是根据其自身所经历的最佳位置Pi=(p1,p2,…,pd),i=,1,2,…,N,以及群体所经历最佳位置Pg(pg1,pg2,…,pgd),不断调整其飞行速度Vi=(v1,v2,…,vd),从而保证其向着更佳的觅食位置飞行。在这样一种群体组织行为约束下,并引入适当的随机搜索因子,每个可行解向着可行域内更优位置不断调整,从而实现优化问题的全局搜索过程,标准PSO优化算法的具体调整公式如下:Vi(k+1)=Vi(k)+c1r1(Pi-Xi)+c2r2(Pg-Xi),i=1,2,…,N(1)Xi(k+1)=Xi(k)+Vi(k+1)(2)式中:k=1,2,3…表示时间迭代步;为非负的惯性因子,反映了当前速度Vi(k)对Vi(k+1)的惯性影响的大小;c1和c2为非负的加速因子,分别反映了自身最佳认知Pi和群体最佳认知Pg对下

参考文献

引证文献

问答

我要提问