[发明专利]一种基于改进灰狼算法的BP神经网络优化方法

权利要求书

1.一种基于改进灰狼算法的BP神经网络优化方法，其特征在于，包括如下步骤：

(Ⅰ)选择BP神经网络本身的结构，确定网络隐藏层的节点数；

(Ⅱ)初始化基本参数：利用复数值编码方式初始化灰狼种群，产生n个灰狼的位置，根据网络结构计算灰狼的种群大小、初始化参数A，a和C，确定最大迭代次数；

(Ⅲ)确定神经网络适应度函数、输出节点的激励函数；

(Ⅳ)计算灰狼个体适应度值，找出适应度值的最优解(α狼的位置X_α)，次优解(β狼的位置X_β)以及第三优解(δ狼的位置X_δ)，更新剰余灰狼ω的位置信息，并更新参数A，a和C的值；

(Ⅴ)选取训练样本和测试样本进行实验，并记录误差及其对应的最优解(α狼的位置X_α)；

(Ⅵ)判断是否满足达到最大迭代次数或者达到设定的误差值，如满足条件终止循环，否则重复步骤(Ⅳ)至步骤(Ⅵ)；以及

(Ⅶ)最后返回结果为灰狼α的位置，以及训练过程每一次迭代灰狼α的位置，灰狼α所在位置的最小误差，训练样本和测试样本的误差。

2.根据权利要求1所述的基于改进灰狼算法的BP神经网络优化方法，其特征在于，其中在所述步骤(Ⅱ)中，根据如下公式(8)初始化灰狼种群：

x_p＝R_p+iI_p，p＝1，2，...，M (8)

其中灰狼的基因可以表示为二倍体，记为(R_p，iI_p)，其中R_p表示变量的实部，I_p表示变量的虚部。

3.根据权利要求2所述的基于改进灰狼算法的BP神经网络优化方法，其特征在于，其中在所述步骤(Ⅳ)中，定义一种可变比例权重，利用最佳位置的加权总和来进行位置更新，即遵循公式(9)至公式(12)：

其中比例权重ω₁、ω₂、ω₃，在算法每次迭代流程中是动态可变的。

4.根据权利要求3所述的基于改进灰狼算法的BP神经网络优化方法，其特征在于，其中控制因子满足公式(13)：

其中参数t_max是最大迭代次数，控制因子随迭代次数的增加非线性动态变化。

5.根据权利要求1所述的基于改进灰狼算法的BP神经网络优化方法，其特征在于，其中在所述步骤(Ⅳ)中，根据如下公式(1)至公式(13)更新剰余灰狼ω的位置信息：

式(1)表示个体与猎物间的距离；

式(2)是灰狼的位置更新公式；

其中，是收敛因子，随着迭代次数从2线性减小到0，和的模取[0，1]之间的随机数；

其中，和分别表示α、β和δ与其他个体间的距离；和分别代表α、β和δ的当前位置；是随机向量，是当前灰狼的位置；

式(6)分别定义了狼群中ω个体朝向α、β和δ前进的步长和方向；

式(7)定义了ω的最终位置；

x_p＝R_p+iI_p，p＝1，2，...，M (8)

式(8)中，灰狼的基因可以表示为二倍体，记为(R_p，iI_p)，其中R_p表示变量的实部，I_p表示变量的虚部；

式(9)至式(12)中，比例权重ω₁、ω₂、ω₃，在算法每次迭代流程中是动态可变的；

式(13)中，参数t_max是最大迭代次数，控制因子随迭代次数的增加非线性动态变化。