论文部分内容阅读
鉴于科学技术的发展及工程应用中，人们遇到的问题越来越复杂，许多实际优化问题属于非线性、多峰值、强约束等复杂问题，有些问题涉及的变量多达百余个，这类问题具有规模大，建模难的特点，对传统的优化理论和技术提出了严峻的挑战。人们在实践中受到生物进化系统、社会系统等相关功能的启发、深入研究其特点和机理，期望能够寻找一种高效的适合于解决这类复杂问题的仿生智能算法。智能算法基于生物智能的机制，通过设计有效的算法和操作策略，求解在各领域中遇到的复杂优化问题的最优解或近似最优解。 差分进化算法(Differential Evolution，DE)是一种智能算法。是解决复杂问题的一种行之有效的技术。其主要特点是原理简单、容易实现、收敛速度快，强鲁棒。通过大量研究发现，DE算法比较适合于解决大规模复杂优化问题。 人工神经网络是基于人类大脑的结构和功能建立起来的新型信息处理系统，神经网络权值是影响其性能的三大因素之一。传统的BP算法为多层前馈网络提供了非常有效训练的方法，但也存在易陷入局部最小等无法克服的缺点。近年来，利用智能优化算法训练神经网络的权值以及对网络结构的优化已称为一个新的研究热点。 本文详细分析了标准差分进化算法和传统BP算法的原理后，就标准差分进化存在的不足，提出了有效的改进;针对BP算法的不足，将改进后的差分进化用于对神经网络权值的训练，并将训练后的网络进行了测试，验证了算法的有效性。 本文研究内容及成果如下: (1)针对标准差分进化算法在高维函数优化时易陷入局部最优的特点，提出利用多变异操作策略对基本差分进化进行改进。文中用10个难易不等的测试函数对改进差分进化与标准差分进化进行了对比，结果显示，改进后的算法，其性能有了明显的改善; (2)针对标准DE、PSO训练的网络在对Iris分类时，误差达到一定范围(10-2～10-3)停滞不前的现象，提出用改进差分进化洲练网络的权值，并将4种算法训练的网络做了对比试验。结果表明，改进差分进化训练的网络比其它算法训练的网络具有显著的优势。