[发明专利]一种基于改进灰狼算法的BP神经网络优化方法

说明书

本发明公开了一种基于改进灰狼算法的BP神经网络优化方法，其包括如下步骤：(Ⅰ)选择BP神经网络本身的结构；(Ⅱ)利用复数值编码方式初始化灰狼种群、初始化参数A，α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，次优解以及第三优解，更新剰余灰狼ω的位置信息、参数A，α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；(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；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。

技术领域

本发明涉及算法优化技术领域，特别涉及一基于改进灰狼算法的BP神经网络优化方法。

背景技术

近年来，群体智能优化算法因具有结构简单、易于实现等特点，被广泛应用于复杂问题的求解中。受灰狼群体捕食行为的启发，澳大利亚学者Seyedali Mirjalili等于2014年提出了一种新型群体智能优化算法：灰狼优化算法即GWO算法，通过模拟灰狼群体捕食行为，基于狼群群体协作的机制来达到优化的目的，该算法具有结构简单、需要调节的参数少、容易实现等特点，其中存在能够自适应调整的收敛因子以及信息反馈机制，能够在局部寻优与全局搜索之间实现平衡，因此在对问题的求解精度和收敛速度方面都有良好的性能。灰狼优化算法自提出以来，就因具有良好的性能而引起了众多学者的广泛关注。并且，灰狼优化算法是一种随机全局优化算法，为很多复杂的工程问题的解决提供了新的思路，现已成功应用于车间调度、数据挖掘、图像分割等领域。

2015年，龙文等针对基本灰狼优化算法(GWO)存在求解精度低、收敛速度慢、局部搜索能力差等问题，引入佳点集理论生成初始种群，为算法全局搜索奠定基础；杨红光等首次将灰狼优化算法扩展到聚类分析领域，提出混合灰狼优化算法和K-均值的新型聚类算法(GWO-KM)。而徐辰华等提出一种基于混沌局部搜索的混沌灰狼优化算法(CGWO)并利用该算法实现焙烧过程氧化铝质量预测建模。罗佳和唐斌提出一种改进的灰狼优化算法，在函数优化中，数值实验结果表明，相较于其他群智能算法，改进算法在求解精度和收敛速度均具有较强的竞争力。魏政磊等主要对灰狼算法的控制参数进行了研究，应用正弦函数、对数函数等对其进行了非线性调整。2017年，郭振洲等提出了的一种非线性收敛因子公式，以便能动态的调整算法的搜索能力，而为加快算法的收敛速度，引入了动态权重策略，对原算法进行了改进。

Xianhai Song等将灰狼优化算法应用于参数估计上，获得的结果表明，应用于表面波分析的灰狼优化算法可以能够很好地平衡算法的勘探能力和开采能力。Aijun Zhu等将差分进化(DE)算法整合到灰狼优化算法(GWO)中，用来更新灰狼的位置，从而提出了改进算法(HGWO)可以加快灰狼优化算法(GWO)的收敛速度，提高其性能。G.M.Komaki等将灰狼优化算法应用于两阶段装配流程车间调度问题上，获得的结果表明，基于灰狼优化算法的算法比其他启发式算法能产生更好的结果。T.Jayabarathi等为获得更好的性能，将交叉算子，突变算子引入灰狼优化算法中，并将其成功应用于经济调度问题中，所得结果优于与之比较的算法。Pradhan M等将反向学习的概念引入到标准的灰狼优化算法中，提出了反向灰狼优化算法(OGWO)，提高了算法的收敛速度，并将其应用到经济负荷调度问题中，与其他智能算法相比，改进的(OGWO)算法具有较好的性能。Sen Zhang等提出了灰狼优化算法(GWO)和横向抑制(LI)算法的混合方法来解决复杂的模板匹配问题，并提高了算法性能。

由上可知，作为一种新生的算法，灰狼优化算法的理论还未完全成熟，目前对灰狼优化算法的改进和应用研究还处于初期阶段，其在图像处理领域的应用研究才刚开始。因此，对灰狼优化算法理论本身及图像处理领域方面的研究是非常必要的。

发明内容

本发明的一个优势在于提供一基于改进灰狼算法的BP神经网络优化方法，其中所述基于改进灰狼算法的BP神经网络优化方法实现了更快的处理速度和最优的结果。