融合振幅随机补偿与步长演变机制的改进原子搜索优化算法

摘要：

针对原子优化算法寻优精度弱且易陷入局部极值的问题,本文从种群多样性、参数适应性和位置动态性角度提出一种融合混沌优化、振幅随机补偿和步长演变机制改进的原子搜索优化算法(improved atom search optimization,IASO),并将其成功应用于分类任务.首先,引入帐篷映射(Tent混沌)增强原子种群在搜索空间中的分布均匀性;其次,通过构建振幅函数对算法参数进行随机扰动并加入步长演变因子更新原子位置,以增强算法全局性和收敛性;最后,再将改进算法应用于误差反馈神经网络(BP神经网络)参数优化.通过与6种元启发式算法在20个基准测试函数下的数值实验对比表明:IASO不仅在求解多维基准函数上具有好的寻优性能,且在对BP神经网络参数进行优化时相较于2种对比算法具有更高的分类精度.

关键词：元启发式算法、原子搜索优化算法、Tent混沌优化、振幅随机补偿、步长演变机制、BP神经网络参数优化、分类、机器学习

所属期刊栏目：17

分类号：TP18(自动化基础理论)

资助基金：国家自然科学基金;国家自然科学基金;辽宁省教育厅项目;辽宁工程技术大学学科创新团队资助项目;辽宁工程技术大学学科创新团队资助项目

在线出版日期：2022-06-21（万方平台首次上网日期，不代表论文的发表时间）

页数：共15页

页码：602-616