[发明专利]一种基于改进麻雀搜索算法的RBF神经网络优化算法

权利要求书

1.一种基于改进麻雀搜索算法的RBF神经网络优化方法，其特征在于，包括以下步骤：

步骤1：搭建RBF神经网络，确定输入n、输出m和隐含层节点数h，得到RBF神经网络结构为n-h-m；

步骤2：将RBF网络中数据中心σ_h和数据宽度c_h隐含层到输出层的连接权重ω这三个参数编码得到麻雀的位置矢量；

步骤3：种群初始化；

步骤4：RBF神经网络训练，选取N组训练数据的训练误差作为麻雀搜索算法的适应度函数来计算每个麻雀个体的适应度值；

步骤5：精英反向学习策略，生成精英粒子的反向解，将生成反向种群与当前种群合并，从合并的种群中根据适应度值选出较好的k个个体作为下一代种群；

步骤6：更新发现者、加入者、侦查者的位置；

步骤7：对当前最优解以一定概率P_m进行自适应高斯变异并进行贪婪选择，若变异后个体的适应度值小于变异前，则接受变异。

步骤8：判断是否达到最大迭代次数，如果已经达到则将当前最佳位置还原成RBF神经网络的对应初始参数，否则返回步骤4。

2.根据权利要求1所述的改进麻雀搜索算法的RBF神经网络优化方法，其特征在于，所述步骤4中每个麻雀的适应度值用以下函数计算：

其中，训练样本数为N，表示网络的预测值，y表示数据的观测样本值。

3.根据权利要求1所述的改进麻雀搜索算法的RBF神经网络优化方法，其特征在于，所述步骤5精英反向解的更新公式由下式给出：

其中lb_j＝min(X_i,j),ub_j＝max(X_i,j)，[lb_j,ub_j]为j维搜索空间上的动态边界，k∈U(0,1)；若反向解超出边界成为不可行解，则采用随机生成的方式重置，公式如下所示：

4.根据权利要求1所述的改进麻雀搜索算法的RBF神经网络优化方法，其特征在于，所述步骤6对侦察者位置更新公式做出改进：

其中和分别是目前的最佳和最差位置，λ是正态分布的随机变量，控制麻雀进化的步长，同时也表示麻雀移动的方向。

5.根据权利要求1所述的改进麻雀搜索算法的RBF神经网络优化方法，其特征在于，所述步骤7中自适应变异概率P_m动态变化用如下公式描述：

其中t_s是最优位置没有变化的迭代次数，P_m∈[0,0.9]，当3＜t_s＜t_maxiter时，自适应概率迅速增长，当下一代最优值出现变化即t_s＝0时，将自适应概率重新设置为当前迭代的变异概率P，变异概率P为：

其中D表示麻雀个体的维数，计算前后两代最优解之间的差值以判断最优解随着迭代次数增加有无变化，通过如下公式进行判断：

其中，Xbest_t和Xbest_t-1分别是表示前后两代的最优值，一旦差值为零，t_s就增加1，否则t_s等于零。

6.根据权利要求1所述的改进麻雀搜索算法的RBF神经网络优化方法，其特征在于，所述步骤7中的高斯变异公式如下所示：

X_mutate(t+1)＝X_best(t)(1+Gauss(σ)) (8)

式中X_mutate(t+1)表示高斯变异后的个体，Gauss(σ)为高斯随机变量。

7.根据权利要求6所述的改进麻雀搜索算法的RBF神经网络优化方法，其特征在于，所述步骤7中对变异个体进行贪婪选择:

其中X_best(t+1)为全局最优解，X_mutate(t+1)为变异的个体，rand为[0,1]之间的随机数，当rand＜p_m且变异后的适应度值小于当前的最优值时，将高斯变异后个体作为全局最优解，否则保持当前最优解不变。