粒子群改进算法及在混合神经网络中的应用研究

【摘要】：随着学科间的相互交叉、相互渗透和相互促进，研究者开始将各类智能优化算法应用于人工神经网络（ANN)训练。其中，粒子群优化（PSO)算法是一种经典的群智能算法，具有结构简单、参数较少、易于描述和实现、全局搜索能力较强等诸多优点，被广泛应用于复杂函数优化、多目标求解、模式识别等诸多领域。但标准的PSO算法也存在早熟收敛和局部搜索能力差等缺点，如应用在高维复杂问题优化时，种群在没有搜索到全局最优点时可能已聚集到某点停滞不动，形成早熟收敛，早熟收敛问题的出现并不能保证算法能收敛到全局极值点；同时，在搜索过程中的粒子在接近或进入最优点区域时收敛速度变得缓慢，即在粒子寻优后期的局部搜索能力较差。针对PSO算法的不足，尽管研究者们也提出了许多改进策略，使得算法性能和效率上都有所改善，但是研究精度更高、性能、效率和相关性更好和适应性更广的智能算法仍然是学术和工业界研究者的重要目标。 本文为提高PSO算法的收敛速度和性能，提出了一种改进PSO算法并应用到ANN训练，得到混合神经网络模型，最后将模型应用于外贸出口预测。主要研究内容如下： (1)提出一种新颖的PSO改进算法。建立了一种基于自适应权值调整策略、混沌理论和模拟退火（SA)算法的PSO改进算法，简称CSAPSO-SA。CSAPSO-SA算法引入自适应权重调整策略以提高算法的收敛速度；通过混沌理论产生的混沌序列改进算法的学习因子，从而权衡算法的开发与探索能力，避免算法的早熟收敛问题；通过引入SA进行局部搜索，大大提高了PSO算法的局部搜索速度和收敛精度。最后通过对4个常用的多目标测试函数进行实例实验，并与传统的多目标求解算法NSGAII和多目标PSO算法进行性能比较。结果表明，CSAPSO-SA算法的收敛速度较快，求解精度较高，多样性较好。 (2)提出一种混合神经网络模型（HANN)。将CSAPSO-SA算法和RBF ANN结合得到混合神经网络模型，简称CSAPSO-SA RBF ANN，或HANN。CSAPSO-SA RBF ANN将CSAPSO-SA算法对RBF ANN的函数中心及扩展常数、网络权值进行优化。模型将各算法的优势相互渗透与补充，从而提高HANN模型的执行性能。 (3)建立了基于HANN的外贸出口预测模型。通过对浙江省和重庆市两个地区的外贸出口实例预测，说明了HANN预测外贸出口的可行性与可靠性。通过与经典的RBF ANN和PSO ANN的预测比较，结果表明HANN模型在预测精度和相关性上均明显较优。 本文将PSO算法、SA算法、混沌理论、ANN等技术相结合，提出了一种高性能算法和一个HANN模型，为外贸出口预测提供了一种可行且高效的方法。同时，提出的CSAPSO-SA算法，也可供许多工业和研究的诸多领域借鉴和参考，有很好的应用前景。