[发明专利]一种基于改进人工电场算法的BP神经网络优化方法

说明书

本发明公开一种基于改进人工电场算法的BP神经网络优化方法，属于人工智能技术领域。该发明首先搭建BP神经网络，并设计一种改进的人工电场(IAEF)算法对BP神经网络的初始权值和阈值进行寻优，以增强网络的可应用性。在IAEF算法中，对原始人工电场(AEF)算法中的库伦系数生成规则进行重新设计，实现了全局勘探和局部开发之间的平衡，增强了算法的收敛性能。在此基础上，采用优化的BP神经网络对Mackey–Glass混沌时间序列进行预测，获得了较高的预测精度。

技术领域

本发明属于人工智能技术领域，具体涉及一种基于改进人工电场算法的BP神经网络优化方法。

背景技术

随着优化问题在工程应用和理论研究领域的日益突出，进化算法因其简单、高效和易于实现而受到研究者的极大关注。近30年来，研究人员提出了许多著名的进化算法，如差分进化(DE)、粒子群(PSO)以及人工蜂群(ABC)算法等。然而，进化算法在解决复杂优化问题时存在早熟收敛问题。因此，如何进一步提高进化算法的收敛性能已成为新的研究热点。

人工电场(AEF)算法是受库仑定律和牛顿运动定律启发而发展起来的一种新的元启发式优化技术。在AEF算法中，库仑常数是一个非常重要的控制参数，它决定着算法的搜索能力。然而，在进化过程中，基于指数函数调整机制的库仑常数会随着迭代次数的增加而急剧减小，从而导致算法全局搜索能力的快速丧失。有鉴于此，本发明探索一种新颖的库仑常数自适应调节机制，进而提出一种改进的人工电场(IAEF)算法，以实现全局勘探和局部开发能力之间的有效平衡。

此外，人工神经网络(ANN)是一种模拟人脑神经系统对复杂信息处理机制的一种数学模型，具有自学习和自适应的能力，它已广泛应用于科学研究和工程技术领域。在人工神经网络中，反向传播(BP)网络是一种常用的网络模型。然而，BP神经网络的性能依赖于初始权重和阈值参数的设置，且收敛速度较慢。基于此，将所提的IAEF算法与BP神经网络结合起来，实现其初始参数的最优配置。最后，考虑到混沌时间序列预测的实际意义与挑战性，采用优化后的BP神经网络对Mackey–Glass混沌时间序列进行预测，提高了模型的预测精度。

发明内容

本发明的目的是提供一种基于改进人工电场算法的BP神经网络优化方法，在此基础上，实现混沌时间序列的有效预测。

本发明所采用的技术方案是，一种基于改进人工电场算法的BP神经网络优化方法，具体按照如下步骤实施：

步骤1、搭建BP神经网络，包含定义BP神经网络的层数与各层的神经元个数等；

步骤2、初始化改进人工电场(IAEF)算法参数：种群规模Np、解空间维数D、最大迭代次数T、初始参数b、步长c等；

步骤3、生成IAEF算法初始种群，并评估每个粒子位置x_i的适应度f(x_i)(i＝1,2,…,Np)，确定全局最优位置x_best；

步骤4、生成库伦系数k(t)；

步骤5、更新种群中每个粒子的速度v_i和位置x_i；

步骤6、计算粒子新位置x_i(t+1)的适应度，若f(x_i(t+1))f(x_i(t))，则保留粒子的新位置，即x_i(t)＝x_i(t+1)；

步骤7、判断是否达到给定的最大迭代次数T，如是，则输出全局最优位置x_best，否则，返回步骤4继续循环；

步骤8、将全局最优位置x_best赋予BP神经网络，并对Mackey–Glass混沌时间序列进行训练与预测；

本发明的特点还在于：