改进遗传模拟退火算法优化BP算法研究

针对传统BP神经网络在函数拟合中收敛速度慢、精度低的缺点,提出一种改进遗传模拟退火算法优化的BP神经网络算法(IGSAA-BP).该算法首先根据进化中种群适应度的集中分散程度改进了自适应遗传算法的交叉和变异概率公式,使算法能够更加有效地避免陷入局部最优;然后根据旧种群和新种群中每个对应个体的进化程度提出一种改进的Metropolis准则,分情况修正新种群中的所有个体,增加种群个体的多样性,提高了算法的全局寻优能力.利用改进遗传模拟退火算法初始化BP神经网络的权阈值,并与GA-BP、IAGA-BP网络对比.实验表明,IGSAA不仅提高了BP网络的收敛速度,还有效地提高了网络的拟合能力,拟合精度提高了5%.

采用半初始化和概率扰动策略改进的遗传算法

针对遗传算法在函数寻优过程中收敛速度慢、易陷入局部最优解的问题,提出一种采用半初始化和概率扰动策略改进的遗传算法DIAGA。首先,通过引入概率扰动策略增加了算法迭代后期的种群多样性,采用半初始化从根本上改变了算法在全局最优解比较过程中的局限性;然后利用马尔可夫链理论证明了DIAGA的收敛性;最后,对六个标准测试函数进行仿真测试。仿真实验结果表明,DIAGA有效摆脱了局部收敛,在搜索精度、收敛速度上具有明显优势,就多维测试函数而言,寻优精度提高了约29%。