微粒群算法优化：基于GRNN的适应值预测策略研究

本文主要探讨了在人工智能和机器学习领域，如何利用微粒群优化算法（PSO）解决计算费时的适应值优化问题。针对PSO算法在处理这类问题时，由于大量适应值计算导致的效率低下问题，研究提出了采用代理模型（预测模型）进行优化的策略。 在传统PSO算法中，每个粒子的适应值需要通过计算目标函数得到，这在面对计算复杂度高的问题时，会显著延长优化过程。为了解决这一问题，论文引入了广义回归神经网络（GRNN）作为代理模型，代替实际的性能评价函数，以减少计算时间。GRNN因其网络结构简单、训练快速、参数少且全局收敛性好等特点，成为理想的代理模型选择。 文章深入研究了不同样本选择策略对模型预测效果的影响，提出了两种单模型的样本更新策略：最大更新策略和拥挤度更新策略。最大更新策略用新计算的个体信息替换样本库中适应值最高的个体，而拥挤度更新策略则依据样本的拥挤程度进行替换。这两种策略在算法初期和后期分别发挥作用，能有效平衡模型预测的准确性与效率。 此外，论文还提出了基于多预测模型的适应值估计策略。每个粒子不仅有自己的历史最优位置模型，还有最新的信息模型，这两个模型的线性加权组合用于预测粒子当前位置的适应值。实验结果证明，这种多模型策略进一步提高了算法的效率和性能。 本文的研究为优化计算费时问题提供了新的思路，通过智能优化算法结合高效预测模型，提升了优化效率，为实际应用中的复杂问题求解提供了理论支持。关键词包括：微粒群算法、费时计算问题、广义回归神经网络、预测模型和模型管理。