一种融合反向学习机制与差分进化策略的蛇优化算法

蛇优化(snake optimizer,SO)算法存在前期收敛速度慢和易陷入局部最优的问题,为此提出一种融合反向学习机制与差分进化策略的改进蛇优化(improved snake optimizer,ISO)算法。反向学习机制可提高种群质量,以提升算法寻优速度;差分进化策略有助于算法精准寻优,降低算法陷入局部最优的几率。在10个基准测试函数上的实验结果表明,ISO算法拥有更高的寻优精度和更快的收敛速率。将其应用于支持向量机(support vector machine,SVM)的参数选取中,进一步验证了ISO算法的有效性。

基于角度优化的鲁棒极端学习机算法

极端学习机因其学习速度快、泛化性能强等优点,在当今模式识别领域中已经成为了主流的研究方向;但是,由于该算法稳定性差,往往易受数据集中噪声的干扰,在实际应用中导致得到的分类效果不是很显著;因此,为了提高极端学习机分类的准确性,针对数据集样本中带有噪声和离群点问题,提出了一种基于角度优化的鲁棒极端学习机算法;该方法利用鲁棒激活函数角度优化的原则,首先降低了离群点对分类算法的影响,从而保持数据样本的全局结构信息,达到更好的去噪效果;其次,有效的避免隐层节点输出矩阵求解不准的问题,进一步增强极端学习机的泛化性能;通过应用在普遍图像数据库上的实验结果表明,这种提出的算法与其他算法相比具有更强的鲁棒性和较高的识别率。

基于ICOA优化极限学习机的网安态势预测

针对传统网络安全态势预测准确率不高、效率差的问题,利用改进黑猩猩算法优化极限学习机训练并构建网安态势预测模型ICOA-ELM。引入Tent混沌种群初始化、收敛因子非线性递减和差分进化机制对COA算法的初始种群多样性、全局搜索与局部开发均衡性及跳离局部最优能力进行改进,提高算法寻优性能。为提高极限学习机的预测精度和泛化能力,利用ICOA算法迭代优化ELM的关键参数,构建ICOA优化极限学习机的网安态势预测模型ICOA-ELM。实验结果表明,ICOA-ELM的预测结果拟合度更高,具有更好的预测效率和稳定性。

基于增量优化极端学习机的网络流量预测模型

为了获得更加理想的网络流量预测结果,针对极端学习机人工设置隐层节点数目的不足,提出一种增量优化极端学习机的网络流量预测模型。首先对极端学习机工作原理和不足进行分析,然后采用增量优化方式提高极端学习机的性能,最后采用具体网络流量时间序列对增量优化极端学习机的性能进行仿真试验。结果表明,相对于其它网络流量预测模型,增量优化极端学习机不仅加快了网络流量建模速度,可以适合于网络流量的长期和在线预测,而且提高了网络流量的预测精度。

基于差分进化极端学习机的汽车商标图像检索

研究汽车商标图像的检索对道路交通安全、驾驶辅助系统开发将起到重要作用。利用极端学习机快速收敛的特点,以HU不变矩作为主要特征值训练极端学习机,并针对不同检索目标选择不同的训练特征参数,设定Harris角点与质心的距离比作为特征值,以检索不同类型汽车商标图像。采用差分进化算法训练极端学习机的输入权值与隐层偏置值,避免了极端学习机的随机性,提高检索精度。实验结果表明,引入新的特征值和使用差分进化算法训练极端学习机都对检索结果有明显的改善。

基于粒子群优化的错误最小化极端学习机

极端学习机(ELM)作为一种广义的单隐层前馈神经网络在分类和回归问题中得到广泛的应用,并受到机器学习学者的广泛关注。如何自主的设计极端学习机(ELM)的网络结构是极端学习机研究领域的一个关键问题。那些经典的构造性极端学习机过分着重于单隐层前馈神经网络的准确率而忽视了网络的性能。本文基于错误最小化极端学习机(EM-ELM)和粒子群优化(PSO)算法提出了一种有效的方法优化网络结构。在所提出的算法中,经过粒子群算法优化过的隐层节点一个一个的加入到网络中,重要的是,除了考虑到网络的准确率,相应的极端学习机的隐层输出矩阵的条件值也作为优化的条件之一。在不同数据集上的实验结果证明了本文提出的算法相比其他构造性极端学习机能以更精简的结构获得更高的准确率和更好的泛化性能。

基于改进差分进化算法优化极限学习机的短期负荷预测

负荷预测的精度直接关系到电网的供需平衡,影响着电网运营成本。针对传统预测方法精度不高的缺点,提出了一种改进的差分进化算法优化极限学习机的预测模型。由于极限学习机的输入权值和隐含层偏置对预测精度有很大影响,因而利用改进差分进化算法对极限学习机参数进行优化,提高了极限学习机的泛化能力和预测精度。研究结果表明:改进差分进化算法优化极限学习机对短期负荷预测精度有较高提升。

极端学习机算法的改进及应用研究

极端学习机是一种新型的单隐藏层前馈神经网络模型,其输入权值和隐藏层阈值随机设置,其输出权值解析计算得到。因此,其运算速度是传统的BP神经网络的数千倍,而且具有良好的模型辨识能力。然而,极端学习机的输入权值和隐藏层阈值是随机设定的,可能不是使网络训练目标能达到全局最小值时的最优模型参数。针对此不足,本文采用最小二乘思想确定极端学习机的输入权值和隐藏层阈值。同时,将改进的极端学习机算法应用于电站锅炉的燃烧热效率建模,并与BP、原始极端学习机、粒子群优化极端学习机和"教与学"优化极端学习机算法进行比较,证明了改进算法的有效性。

基于优化极限学习机的工业控制系统入侵检测

为解决极限学习机(ELM)随机给定输入权值和隐含层结点的阈值,导致泛化能力和精度不理想的问题,提出混合自适应量子粒子群(HAQPSO)优化算法对输入权值和隐含层结点的阈值进行参数寻优。在量子粒子群优化算法的基础上,加入差分策略和Levy飞行策略,采用自适应改变的控制方法控制收缩-扩张系数,有效避免算法的早熟,增强算法全局寻优能力,通过对典型函数的测试验证了该算法的优越性。构建基于HAQPSO优化ELM的工控入侵检测模型,将仿真结果与其它算法进行比较,HAQPSO优化后的ELM在准确率、精确率和召回率等指标上都有明显提升。

基于精英解学习的邻域搜索差分演化算法

为了防止差分演化算法在求解复杂问题时容易陷入局部最优、收敛速度慢等问题,提出了一种基于精英解学习的邻域搜索差分演化算法(ELNDE).在该算法中利用多个精英解构建一个精英解池策略,并且对其进行反向学习,保证种群的多样性.在每一代种群演化计算过程中执行邻域搜索,通过精英解作为导向,加快算法的收敛速度的同时提高开采能力.使用13个基准测试函数对提出的算法进行了测试并且与几种知名的改进算法进行比较.实验表明,提出的算法在收敛速度和解的精度是具有较大的优势.

玉米品种识别的集成极端学习机方法

不同品种的玉米种子外观上存在细小差异,利用计算机视觉进行快速、客观、准确的品种检测和识别,是实现农业生产自动化的必要手段。利用玉米品种之间存在的差异性,提取玉米种子的几何、纹理、颜色等特征参数,采用差异演化算法优化极端学习机的初始参数,构建集成极端学习机,学习不同玉米的特征数据,以识别玉米品种,进行分类精度判断。对京粘一号、绿色超人、雪糯88等3个玉米品种进行分类测试,实验结果表明,集成极端学习机可有效提高玉米品种识别的准确率。

基于微分同胚的鲁棒激活函数的极端学习机

在实际问题中数据的不规则分布、带有噪声以及离群点,都严重影响了极端学习机算法的分类准确率。针对这些问题,深入分析不同激活函数的特性,提出了一种基于角度优化和微分同胚理论的鲁棒激活函数(robust activation function)。该鲁棒激活函数通过角度优化及微分同胚揭示数据的内在流形,从理论上证明了中心化样本长度与其偏离主空间角度为子空间偏离的主要因素,进而解决了噪声造成的主空间偏离问题,并且可尽量避免激活函数的输出值趋于零的情况。实验结果表明提出的激活函数优于其他的激活函数。

基于误差修正的极端学习机超短期风速预测

超短期风速预测对风电场功率预报系统的建立和运行至关重要。针对具有较大随机波动性的风速预测,研究了一种基于误差修正的极端学习机(ELM)超短期风速预测方法。利用ELM模型对风速进行初步预测,并利用由此得到的误差数据样本建立差分自回归滑动平均模型(ARIMA),进行误差预测,最后使用预测误差对风速的初步预测值进行补正,从而求得最终预测值。仿真实验结果表明,该方法在风速超短期预测中的可行性及有效性。

基于智能优化的极限学习机在心电逆问题研究

心电逆问题的研究是由体表电位分布无创地重构心脏跨膜电位分布,可以看作是多输入多输出的回归问题,对体表电位的多个输入回归形成心脏跨膜电位分布的多个输出问题。利用极限学习机来解决这个回归问题,为了提高极限学习机模型的泛化能力和拟合精度,利用三种智能优化算法:遗传算法、差分进化算、粒子群优化算法对极限学习机回归模型的参数进行优化选择。实验结果表明:粒子群算法在优化极限学习机的回归模型上效率更高且可重建具有更高的精度心脏跨膜电位分布。

一种精英反向学习的粒子群优化算法

为解决传统粒子群优化算法易出现早熟的不足,提出了精英反向学习策略,引入精英粒子,采用反向学习生成其反向解,扩大搜索区域的范围,可增强算法的全局勘探能力.同时,为避免最优粒子陷入局部最优而导致整个群体出现搜索停滞,提出了差分演化变异策略,采用差分演化算法搜索最优粒子的邻域空间,可增强算法的局部开采能力.在14个测试函数上将本文算法与多种知名的PSO算法进行对比,实验结果表明本文算法在解的精度与收敛速度上更优.

机械零部件动态可靠性稳健优化设计的群智能算法

在运用随机过程和顺序统计原理建立载荷和强度随时间变化的动态可靠性模型基础上,利用稳健设计理论,建立了机械零部件动态可靠性稳健优化设计的多目标优化模型。针对该多目标模型所具有的动态高维的特点,提出了基于灰色关联分析的多粒子群协同动态多目标优化算法。以钢板弹簧结构为例,给出了动态环境下随时间变化的最优解集,为机械零部件的动态可靠性稳健优化设计提供了理论依据。

保存基因的2-Opt一般反向差分演化算法

为了进一步提高差分演化算法的性能,提出一种采用保存基因的2-Opt一般反向差分演化算法,并把它应用于函数优化问题中.新算法具有以下特征:(1)采用保存被选择个体基因的方式组成参加演化的新个体.保存基因的方法可以很好的保持种群多样性;(2)采用一般反向学习(GOBL)机制进行初始化,提高了初始化效率;(3)采用2-Opt算法加速差分演化算法的收敛速度,提高搜索效率.通过测试函数的实验,并与其他差分演化算法进行比较.实验结果证实了新算法的高效性,通用性和稳健性.

解全局优化问题的差分进化策略

以进化策略算法为框架,提出一种求解连续函数,特别是高维连续函数问题的优化算法——差分进化策略.该算法利用进化策略快速收敛的优点,融入了差分演化算法中具有较强全局搜索能力的变异算子.经数值实验分析表明,差分进化策略在函数优化过程中具有较强稳健性,可提高全局搜索能力,保持快速收敛优势,能用于研究生物进化、机器学习、人工智能、模糊系统及人工神经网络训练等领域.

一种精英反向学习的萤火虫优化算法

为了提高传统萤火虫算法的收敛速度和求解精度,提出了一种精英反向学习的萤火虫优化算法。通过反向学习策略构造精英群体,在精英群体构成的区间上求普通群体的反向解,增加了群体的多样性,提高了算法的收敛速度;同时,为了避免最优个体陷入局部最优,使整个群体在搜索过程中出现停滞,提出了差分演化变异策略;最后,提出了一种线性递减的自适应步长来平衡算法的开发能力。实验结果表明,算法在收敛速度和收敛精度上有更好的效果。

基于风驱动算法的锅炉NO_x排放模型优化

为了准确地预测电站锅炉的NO_x排放量,以某300 MW亚临界循环流化床锅炉为研究对象,利用自适应风驱动优化(AWDO)算法和极端学习机(ELM)进行综合建模,并根据不同工况下现场收集的样本数据检验该模型的预测能力;将该模型的预测值与基本极端学习机、差分进化算法、粒子群算法和基本风驱动算法优化的极端学习机模型预测值进行比较.结果表明:AWDO算法可以更好地找到优化参数,该算法优化的极端学习机模型具有良好的预测精度和泛化能力,可以准确、有效地预测电站锅炉的NO_x排放量.