基于改进人工鱼群算法的神经网络优化.docVIP

基于改进人工鱼群算法的神经网络优化* 魏立新1，2，张峻林2 (1.国家冷轧板带装备及工艺工程技术研究中心, 河北秦皇岛 066004 2.燕山大学工业计算机控制河北省重点实验室，河北秦皇岛 066004) 摘要：针对人工鱼群算法的寻优速度慢，后期收敛性差等缺陷提出了一种并行运行方式的改进人工鱼群算法（IASFA）。进而应用IASFA算法对BP神经网络初始权值进行寻优，以解决BP网络初始权值选取困难且优化过程中容易陷入局部极值的问题。最后，将IASFA—BP网络混合算法应用于PID参数的优化，从而克服了PID控制参数难以整定的难题。通过仿真实验，结果表明：改进的人工鱼群算法寻优速度更快，优化值更加合理。应用IASFA—BP混合算法得到的PID控制参数使得系统响应更快，稳态误差更小，系统性能得到提升。 关键词：人工鱼群算法；神经网络；局部极值；参数寻优 中图分类号： TP29 文献标志码： A Optimization of Neural Network Based on the Improved Fish Algorithm WEI Lixin, ZHANG Junlin (National Engineering Research Center for Equipment and Technology of Cold Strip Rolling,Yanshan University Industrial Computer Control Key Laboratory in Hebei Province, Hebei Qin Huangdao 066004) Abstract: First this article for slow speed of artificial fish algorithm optimization and some shortcomings of convergence bad puts forward a improvement artificial fish algorithm (IASFA) of parallel operation mode. In order to solve the BP network initial weight value selecting difficult and optimization process easy to fall into local extremum problems, applying IASFA algorithm to optimize BP neural network initial weights.Finally, the IASFA-BP network hybrid algorithm is applied to the optimization of the PID parameters, so as to overcome the PID control parameters difficult to setting problem.The result of simulation experiment shows that the modified artificial fish algorithm optimization speed faster, optimization value more reasonable. The PID control parameters of optimization makes the system response faster, steady state error smaller, the system performance improved. Key words:Artificial fish algorithms; Neural network; part extreme value; Parameter optimization 引言( 目前，随着控制系统愈加复杂，控制精度要求越来越高，针对系统的非线性、时变和纯滞后等特点，传统的PID参数整定方法很难取得令人满意的控制效果。而神经网络由于具有良好的自学习、并行性、较强的容错能力，使其无需精确的数学模型就能够很好的实现一组非线性映射。但这种控制效果特别依赖于网络的初始权值。研究人员用多种方法对网络权值的优化进行改进[1-2]，如遗传算法，粒子群算法，蛙跳算法等。这些优化算法都是串行运行，没有从根本上改善参数寻优速度慢的问题，对于复杂参数的寻优仍需要大量的时间。人工鱼群算法中采用并行寻优策略就成为了人们研究的热点。人工鱼群算法是模仿鱼类行为方式提出的一种基于动物自治体的优化方法[3-4]，是集群智