基于改进粒子群优化算法的BP预测模型①.PDFVIP

2014 年 第 23 卷 第 4 期 计 算 机 系 统 应 用 ① 基于改进粒子群优化算法的BP 预测模型 王行甫, 陈宏亮 ( 中国科技大学 计算机科学与技术学院, 合肥 230027) 摘 要: 该论文提出了基于改进粒子群优化的 BP 算法. 在该算法中, 通过对粒子群优化算法中的惯性权重的计 算方法的改进, 同时利用改进的PSO 算法替代了 BP 算法中的梯度下降算法, 使得改进后的算法具有不易与陷入 局部极小等优点. 并将该算法利用在预测气温上, 实验证明: 改进后的算法在预测模型上能够取得较好的预测效 果, 提高预测精度. 关键词: 粒子群算法; BP 算法; 气温预测; 惯性权值; 梯度下降算法 BP Forecast Model Based on Improved PSO Algorithm WANG Xing-Fu, CHEN Hong-Liang (Compute Science and Technology, University of Science and Technology of China, Hefei 230027, China) Abstract: A BP prediction model which based on improved PSO algorithm is proposed in this essay, in this algorithm, I modify the way to calculate the inertia weight, and use the improved PSO algorithm instead of the gradient descent algorithm, Make this changes it will not fall into local minimum. And use this way to forecast the weather, through the experiment result I find that the improved algorithm has high efficiency, and it also improve the prediction accuracy. Key words: PSO; BP algorithm; weather forecast; inertia weight; gradient descent algorithm BP(Back Propagation) 网络是 1986 年由 Rumelhart 种: 基于遗传算法的 BP 神经网络模型, 它是基于进 和 McCelland 为首的科学家小组提出, 是一种按误差 化中优胜劣汰、自然选择、适者生存和物种遗传思想 逆传播算法训练的多层前馈网络, 是目前应用最广泛 的有哪些信誉好的足球投注网站算法, 是一种全局寻优算法[5]; 第二种: 针对 的神经网络模型之一. BP 网络能学习和存贮大量的输 改进相关参数来改进 BP 算法, 如改进误差函数的改 入-输出模式映射关系, 而无需事前揭示描述这种映射 进以及激励函数的改进等[6]; 第三种: 基于 PSO 的改 关系的数学方程. 它的学习规则是使用最速下降法, 进 BP 算法[7], 本文也就基于第三种方法对其进行改 通过反向传播来不断调整网络的权值和阈值, 使网络 进的. 的误差平方和最小, 但是由于梯度下降算法的固有缺 该论文提出一种基于改进粒子群的 BP 算法, 通过 陷, 标准的 BP 学习算法通常具有收敛速度慢且容易 自适应动态调节粒子群算法的惯性权重, 根据实际结 陷入局部极小值的缺点. 粒子群算法