新元胞生长算法：神经网络训练效率与质量提升

本文主要探讨了神经网络训练中的优化算法性能，特别是在监督学习领域的重要性。研究者旨在通过比较新提出的metaheuristic蝙蝠算法（BA）与其他标准算法，如反向传播（Back Propagation）、Levenberg-Marquardt、蝙蝠算法（Bat Algorithm）、遗传算法（Genetic Algorithm）和粒子群优化（Particle Swarm Optimization），展示BA在时间效率和解决方案质量上的优势。实验在标准数据集Proben1上进行，该数据集源自医学问题，以便于未来的研究者进行对比。 Proben1作为选定的基准测试集，其包含了实际应用中的医学问题，使得结果具有广泛的实际意义。文章特别提到了一种名为"ANew Adaptive Merging and Growing Algorithm for Designing Artificial Neural Networks"（2009年7月在《IEEE Transactions on Systems, Man, and Cybernetics – Part B》发表）的算法，它是一种自适应合并和生长算法，用于人工神经网络的设计。虽然没有直接提到AMGA算法，但可以推测这个算法可能与神经网络结构的自适应调整有关，可能是作者们用来改进神经网络设计的一种方法。 文章作者包括Kazi Md. Rokibul Alam、Md Ashiqul Islam、Faijul Amin等，他们在神经网络领域的项目有系列工作，例如Kazi Md. Rokibul Alam的时序预测项目和Faijul Amin关于神经网络的应用。此外，还有Kazuyuki Murase教授，他在大学的科研产出丰硕，对神经网络优化算法有着深入的研究。 值得注意的是，论文内容已经接受了期刊的最终版发表，但可能在页面布局上还存在后续编辑的可能。总体来说，这篇论文不仅关注神经网络的训练优化，而且展示了新算法在实际问题中的竞争力，为其他研究人员提供了有价值的数据和比较点，对于提高eLearning环境下的神经网络训练效率具有实际指导意义。