基于改进海鸥优化算法的BP神经网络及其应用

针对传统反向传播(BP)神经网络在预测时随机产生的初始权值、阈值影响准确性的问题,提出一种改进的海鸥优化算法(ISOA)对BP神经网络的初始阈值、权值进行寻优。首先,为提高海鸥优化算法(SOA)的收敛精度和跳出局部最优的能力,使用Sine混沌映射初始化种群,引入非线性参数A,在海鸥攻击时引入乘除策略进行扰动,同时在攻击阶段后引入反向学习策略。然后,使用ISOA优化BP神经网络初始权值、阈值,解决对初值敏感和易陷入局部最优的问题。最后,在冻结裂隙砂岩动态冲击试验中进行峰值应力预测,结果表明:对比原始BP、粒子群优化(PSO)-BP和SOA-BP,ISOA优化后的BP神经网络对峰值应力预测精度更高。

基于准反向变异的实数笛卡尔遗传编程算法

针对传统笛卡尔遗传编程(CGP)算法变异操作多样性的缺乏以及其使用的进化策略本身的局限性,提出了一种基于准反向变异的实数笛卡尔遗传编程算法(AD-RVCGP)。首先,和传统CGP一样,AD-RVCGP在进化过程中采用1+λ的进化策略,即由一个父代个体只通过变异操作产生λ个子代个体;其次,该算法在进化过程中动态选择准反向变异算子、末端变异算子和单点变异算子,并且利用反向个体的信息进行变异操作;最后,算法在进化过程中根据进化阶段的状态来选择不同的父代个体用于生成下一代个体。在符号回归问题的测试上,相较于传统CGP,ADRVCGP的收敛加快了约30%,运行时间少了约20%;另外该算法求得的最优解与真实最优解误差更小。实验结果表明,AD-RVCGP具有较高的收敛速度和问题求解精度。

自适应二次变异的改进差分进化算法及其应用

针对差分进化算法存在易早熟、收敛精度低等缺陷,提出一种自适应二次变异的改进差分进化算法(Modified differential evolution algorithm based on adaptive secondary variation,ASVDE)。采用多变异策略,并加入动态调节因子平衡不同变异策略的权重;当适应值不更新的代数达到设定值时,利用全局最优信息和柯西分布对当前种群进行二次变异优化,使算法及时跳出停滞状态,最终在反向个体与试验个体间获得最优结果。仿真结果表明,相比于其他3种算法,ASVDE算法的精度更高,应用于电力系统经济调度问题所得结果也更优。