微粒群算法优化:基于GRNN的适应值预测策略研究

版权申诉
0 下载量 101 浏览量 更新于2024-07-03 收藏 2.05MB PDF 举报
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。