一种基于蚁群算法的BP神经网络优化方法研究.docVIP

 一种基于蚁群算法的 BP 神经网络优化方法 研究# 王沥，邝育军** 5 10 15 20 25 30 35 （电子科技大学通信与信息工程学院，成都 611731） 摘要：BP 神经网络是人工神经网络中应用最广泛的一种多层前馈神经网络。针对它容易陷 入局部极小值及隐层节点大多利用经验试凑来确定的缺点，本文提出了一种基于蚁群算法的 BP 神经网络结构及参数优化方法，利用蚁群算法的全局寻优能力克服 BP 神经网络存在的不 足。最后，将该方法用于短时交通流预测，实验结果表明：利用蚁群算法优化神经网络是有 效的，预测结果也有较高精度。 关键词：蚁群算法；BP 神经网络；优化方法；交通流预测 中图分类号：TP183 Research of BP neural network optimizing method based on Ant Colony Algorithm WANG Li, KUANG Yujun (School of Communication and Information Engineering, University of Electronic Science and Technology of China, ChengDu 611731) Abstract: BP neural network is the most widely used multilayer feedforward artificial neural networks, however,it is vulnerable to be trapped in local minimum and there is no systematic method to determine the number of hidden layer nodes thus usually done empirically. This paper introduces a method to optimize the structure and parameters of BP neural network which integrates ant colony algorithm with BP neural network to overcome shortcomings of traditional BP neural networks. The proposed method has been applied in short-term traffic flow forecasting. Simulation results demonstrate that the new BP neural network based on ant colony algorithm is more effective and can provide higher precision in traffic flow forecasting. Keywords: Ant colony algorithm; BP neural network; optimization method; traffic flow forecasting 0 引言 人工神经网络(Artificial Neural Networks, ANNS)是模拟大脑进行信息处理的一种数学 模型，具有较强的自学习能力及非线性映射能力，因而在多个领域得到广泛应用。其中，利 用反向传播(Back Propagation, BP)学习算法进行参数调整的 BP 神经网络是其中应用最广的 一种神经网络，其网络结构如图 1 所示。BP 学习算法对网络权值和阈值沿表现函数-通常为 训练样本网络输出值与真实值的均方误差(MSE)函数-梯度下降方向进行修正，存在着易限入 局部极小值、对初值敏感等问题[1][2]。此外，神经网络隐层节点多依照经验，采用试凑的方 法确定，这也是神经网络的不足之处。为此，许多学者提出了各种改进算法，如用遗传算法 [3] 、粒子群算法[4]和蚁群算法等[5][6]对神经网络的参数和结构进行优化。其中，基于蚁群算 法的 BP 神经网络改进算法大多只是对网络的权值和阈值进行优化，如文献[5]和文献[6]等； 40 文献[7]将 BP 神经网络的参数和网络结构进行二进制编码，再利用蚁群算法进行网络设计， 但该方法的优化性能受限于二进制编码长度。本文通过将各权阈值的取值范围进行均匀划分 基金项目：国家自然科学基金 作者简介：王沥，(1986-)，女，硕士研究生，主要研究方向：无线通信、智能交通。 通信联系人：邝育军，(1971-)，男，教授，博导，主要研究方向：宽带无线传输