基于改进型柯西变异灰狼优化算法训练的多层感知器

多层感知器MLP是处理分类问题的一种方法,可实现非线性高维度分类,并有很好的扩展能力。但是,在传统MLP的训练过程中,MLP分类结果的好坏与参数选择关系密切,而且传统算法的参数选择有很多缺陷。使用群智能算法替代传统多层感知器训练器是一种解决方案。灰狼优化算法GWO是其中一种兼顾高水平的探索和开发能力的算法。但是,GWO算法训练MLP时,依然存在开发和探索不平衡的问题,导致MLP分类准确率不理想。为了提升算法探索能力,将柯西变异算子引入灰狼优化算法,同时平衡开发能力,加入余弦收敛因子,提出一种改进的柯西变异灰狼优化算法IGWO。最后,将改进后的算法作为MLP的训练器,用于对3个不同复杂度分类问题进行分类实验,检验训练器在不同结构MLP下的性能表现。结果表明:相较于其他对比算法,IGWO训练MLP在分类准确率、陷入局部最优抗性、全局收敛速度和稳定性方面均具有较好的性能。