混沌灰狼优化算法训练多层感知器
灰狼优化算法(GWO)是一种新的基于灰狼捕食行为的元启发式算法,被证明是一种具有高水平的探索和开发能力的算法.但是存在开发和探索不平衡的问题,以至于其优化性能并不理想.该文将混沌理论引入GWO中,用于平衡GWO的探索和开发,提出一种改进的混沌灰狼优化算法(CGWO),并应用于多层感知器(MLPs)的训练.首先,基于Cubic混沌理论对GWO的位置更新公式进行改进,以增加个体的多样性,增大跳出局部最优的概率和对解空间进行深入的搜索;其次,设计一种非线性收敛因子,用于协调和平衡CGWO算法在不同迭代进化时期的探索和开发能力;最后,将CGWO算法作为MLPs的训练器,用于对3个复杂分类问题进行分类实验.结果表明:CGWO在分类准确率,避免陷入局部最优,全局收敛速度和鲁棒性方面相较于其他对比算法均具有较好的性能.
灰狼优化算法、混沌理论、非线性收敛因子、多层感知器、分类问题
41
TP301.6(计算技术、计算机技术)
国家社会科学基金16BJY078;黑龙江省经济社会发展重点研究课题KY10900170004;黑龙江省哲学社会科学研究规划17JYH49
2019-05-10(万方平台首次上网日期,不代表论文的发表时间)
共8页
872-879