[發明專利]一種基于改進灰狼算法的BP神經網絡優化方法

在審

• 申請號: 202010496667.0
• 申請日: 2020-06-03
• 公開（公告）號: CN111723945A
• 公開（公告）日: 2020-09-29
• 發明（設計）人: 勾廣欣;倪萌
• 申請（專利權）人: 杭州欣禾圣世科技有限公司
• 主分類號: G06N20/20
• 分類號: G06N20/20;G06N3/00;G06N3/04;G06N3/08
• 代理公司: 北京聯瑞聯豐知識產權代理事務所(普通合伙) 11411
• 代理人: 周超

本發明公開了一種基于改進灰狼算法的BP神經網絡優化方法，其包括如下步驟：(Ⅰ)選擇BP神經網絡本身的結構；(Ⅱ)利用復數值編碼方式初始化灰狼種群、初始化參數A，α和C，確定最大迭代次數；(Ⅲ)確定神經網絡適應度函數、輸出節點的激勵函數；(Ⅳ)計算灰狼個體適應度值，找出適應度值的最優解，次優解以及第三優解，更新剰余灰狼ω的位置信息、參數A，α和C的值；(Ⅴ)選取訓練樣本和測試樣本進行實驗，并記錄誤差及其對應的最優解；(Ⅵ)判斷是否滿足達到最大迭代次數或者達到設定的誤差值；以及(Ⅶ)最后返回結果為灰狼α的位置，以及訓練過程每一次迭代灰狼α的位置，灰狼α所在位置的最小誤差，訓練樣本和測試樣本的誤差。

技術領域

本發明涉及算法優化技術領域，特別涉及一基于改進灰狼算法的BP神經網絡優化方法。

背景技術

近年來，群體智能優化算法因具有結構簡單、易于實現等特點，被廣泛應用于復雜問題的求解中。受灰狼群體捕食行為的啟發，澳大利亞學者Seyedali Mirjalili等于2014年提出了一種新型群體智能優化算法：灰狼優化算法即GWO算法，通過模擬灰狼群體捕食行為，基于狼群群體協作的機制來達到優化的目的，該算法具有結構簡單、需要調節的參數少、容易實現等特點，其中存在能夠自適應調整的收斂因子以及信息反饋機制，能夠在局部尋優與全局搜索之間實現平衡，因此在對問題的求解精度和收斂速度方面都有良好的性能?；依莾灮惴ㄗ蕴岢鲆詠?，就因具有良好的性能而引起了眾多學者的廣泛關注。并且，灰狼優化算法是一種隨機全局優化算法，為很多復雜的工程問題的解決提供了新的思路，現已成功應用于車間調度、數據挖掘、圖像分割等領域。

2015年，龍文等針對基本灰狼優化算法(GWO)存在求解精度低、收斂速度慢、局部搜索能力差等問題，引入佳點集理論生成初始種群，為算法全局搜索奠定基礎；楊紅光等首次將灰狼優化算法擴展到聚類分析領域，提出混合灰狼優化算法和K-均值的新型聚類算法(GWO-KM)。而徐辰華等提出一種基于混沌局部搜索的混沌灰狼優化算法(CGWO)并利用該算法實現焙燒過程氧化鋁質量預測建模。羅佳和唐斌提出一種改進的灰狼優化算法，在函數優化中，數值實驗結果表明，相較于其他群智能算法，改進算法在求解精度和收斂速度均具有較強的競爭力。魏政磊等主要對灰狼算法的控制參數進行了研究，應用正弦函數、對數函數等對其進行了非線性調整。2017年，郭振洲等提出了的一種非線性收斂因子公式，以便能動態的調整算法的搜索能力，而為加快算法的收斂速度，引入了動態權重策略，對原算法進行了改進。

Xianhai Song等將灰狼優化算法應用于參數估計上，獲得的結果表明，應用于表面波分析的灰狼優化算法可以能夠很好地平衡算法的勘探能力和開采能力。Aijun Zhu等將差分進化(DE)算法整合到灰狼優化算法(GWO)中，用來更新灰狼的位置，從而提出了改進算法(HGWO)可以加快灰狼優化算法(GWO)的收斂速度，提高其性能。G.M.Komaki等將灰狼優化算法應用于兩階段裝配流程車間調度問題上，獲得的結果表明，基于灰狼優化算法的算法比其他啟發式算法能產生更好的結果。T.Jayabarathi等為獲得更好的性能，將交叉算子，突變算子引入灰狼優化算法中，并將其成功應用于經濟調度問題中，所得結果優于與之比較的算法。Pradhan M等將反向學習的概念引入到標準的灰狼優化算法中，提出了反向灰狼優化算法(OGWO)，提高了算法的收斂速度，并將其應用到經濟負荷調度問題中，與其他智能算法相比，改進的(OGWO)算法具有較好的性能。Sen Zhang等提出了灰狼優化算法(GWO)和橫向抑制(LI)算法的混合方法來解決復雜的模板匹配問題，并提高了算法性能。

由上可知，作為一種新生的算法，灰狼優化算法的理論還未完全成熟，目前對灰狼優化算法的改進和應用研究還處于初期階段，其在圖像處理領域的應用研究才剛開始。因此，對灰狼優化算法理論本身及圖像處理領域方面的研究是非常必要的。

發明內容

本發明的一個優勢在于提供一基于改進灰狼算法的BP神經網絡優化方法，其中所述基于改進灰狼算法的BP神經網絡優化方法實現了更快的處理速度和最優的結果。