一种改进的 BP 神经网络算法与应用

针对传统 BP 算法存在的收敛速度过慢、易陷入局部极小、缺乏统一的理论指导网络结构设计的缺点,分析了一般的改进算法在神经网络优化过程中存在的问题,从蚁群算法和 BP 算法融合的角度上,并引入了放大因子,提出一种综合改进的 BP 算法.该算法引入放大因子改善 BP 算法易陷入局部极小的情况,结合蚁群算法用于指导网络结构设计,并极大地改善了收敛速度过慢的问题.最后,将改进的 BP 算法与传统 BP 算法进行应用于煤矿瓦斯预测.通过对实验结果的分析,从时间和正确率上都表明改进的 BP 算法要优于传统的 BP 算法     

一种基于模拟退火的自适应算法

针对常规BP算法收敛速度慢和易陷入局部极小的问题,文章提出了一种新的BP算法———SASSFBP算法。该算法根据训练中最近两个梯度的符号及其相对大小来动态地改变权步因子,提高了神经网络的收敛速度,并同时结合模拟退火算法来避免陷入局部极小。仿真实验结果表明:SASSFBP算法在收敛速度与运算精度,以及避免陷入局部极小的能力等方面均明显优于常规的BP算法。     

改进蚁群算法在AGV路径规划中的应用

针对传统蚁群算法在路径规划时,易陷入局部最优、前期路径有效性差等问题,对传统蚁群算法进行改进并应用到AGV（Automated Guided Vehicle）路径规划上。采用栅格地图建立小车工作空间模型,利用改进的头尾搜索机制,提高并加快了算法的全局搜索能力和前期收敛速度;引入奖惩因子与信息素最大最小阈值,对每代最优路径上的信息素进行奖励,最差路径上的进行惩罚,提高全局搜索能力;引入遗传算法变异因子,使算法跳出局部最优能力加强;采用遗传算法对改进的蚁群算法进行参数优化,减少参数对算法的影响。在VS2017和MATLAB软件平台上进行算法仿真。结果表明了该算法在避免局部最优和加快收敛速度方面有很大改进。     

基于改进蚁群算法的机器人路径规划

为了解决蚁群算法易陷入局部最优及收敛速度慢等问题,研究提出一种改进的蚁群算法,通过改变方向因子的计算方式来减少寻优所需时间;通过改变信息素的更新方式避免陷入局部最优解。在栅格地图中进行仿真模拟实验,综合结果表明,改进算法与传统蚁群算法及其他相关算法相比,具有得到路径更短、收敛速度更快且路径拐点更少等优点。     

动态路径规划中的改进蚁群算法

针对传统蚁群算法收敛速度慢、易陷入局部最优解的缺点,提出了改进距离启发因子以增加目标节点对下一节点的影响,从而提高全局搜索能力,避免陷于局部最优解,提高收敛速度;考虑真实环境的复杂多样性,引入多个路径质量约束来改进信息素更新规则。仿真实验结果显示,改进蚁群算法在动态路径规划中具有良好的效果。     

改进蚁群算法FENA2O解决TSP问题研究

为了解决传统蚁群算法解决TSP问题时收敛速度慢、易陷入局部最优的问题,提出了一种名为FENA2O的改进蚁群算法。通过寻找并更新精英蚂蚁行走路径来提高收敛速度,通过规定蚂蚁数量来降低陷入局部最优的可能,配合2-Opt算法进一步优化所得路径。实验结果表明,算法改进后的收敛速度得到了较大提高,并能够有效解决局部最优。     

改进的蚁群算法在机器人路径规划上的应用

为了克服传统蚁群算法易陷入局部最优且收敛速度慢的影响,采用栅格地图建立机器人实验环境仿真模型。针对蚁群算法进行改进并将其应用到机器人路径规划上。考虑到从路径规划起点到目标点的方向性、前期存在的易陷入局部最优解以及蚂蚁收敛速度的问题,提出了添加双向搜索方向机制和比例系数引导因子的启发函数,避免了算法在搜索过程中选择与终点方向相背的区域行走或者走回路的弊端。根据不同路段被选择次数不同,设置不同信息素权重,强化了不同路段的重要性,加快算法收敛速度。在matlab软件平台上进行算法仿真,仿真结果验证了该方法的有效性。     

几种改进BP算法及其在应用中的比较分析

分析了标准BP算法存在的问题,对ABPM、HBP、LMBP三种改进的BP算法进行了研究,以企业战略预警系统为例,分别用改进算法进行仿真,从收敛速度、收敛精度等方面进行比较分析。仿真结果表明,三种改进算法均不同程度解决了标准BP算法存在的收敛速度慢、容易陷入局部极小等问题,其中LMBP算法达到的效果是最优的。     

基于样本期望训练数的BP神经网络改进研究

BP算法是神经网络中最常用的算法之一.标准BP算法存在的最主要问题就是易于陷入局部极小、收敛速度慢等问题.针对BP算法的这些问题,出现了许多改进的措施,如引入变步长法、加动量项法等.提出了一种基于样本期望训练数的改进BP算法,仿真实验说明了该算法可以明显提高BP网络学习速度,并且具有简单通用性,可以和其他方法结合,进一步提高算法的收敛速度.     

一种启发式动态信息素更新策略的蚁群算法

针对蚁群系统（ACS）在解决TSP问题上存在易陷入局部最优和收敛速度较慢的问题,提出了一种改进的启发式蚁群算法。在迭代前期赋予伪随机因子较小的阈值,从而使蚂蚁能以较大的概率选择轮盘赌方式完成解的构建,扩大了解的搜索范围;同时通过引入迭代最优蚂蚁进行全局信息素更新,来进一步增加了解的多样性,使算法避免陷入局部最优。在迭代后期随着伪随机因子参数值变化幅度的加快,则用至今最优蚂蚁来取代迭代最优蚂蚁,以促进搜索进程很快的向最优解附近收敛,加快了收敛的速度。实验仿真结果表明改进后的算法在前期能够有效地跳出局部最优,并且在后期能够明显提升收敛速度。     

一种改进QPSO优化BP网络的入侵检测算法

为了较好克服量子粒子群算法存在早熟收敛的缺点,在分析算法参数和流程的基础上,提出了一种带变异操作的改进量子粒子群优化算法。针对传统BP算法易于陷入局部极小的不足,将改进的算法应用到BP神经网络的学习过程中,修正BP网络的权值和阈值,提高其收敛性能。并将优化的BP神经网络模型应用于入侵检测中,用标准入侵检测数据对基于不同算法的BP网络进行仿真实验比较。实验结果表明,改进后的BP算法迭代次数少,收敛速度有所提高,在一定程度上提高了入侵检测率。     

改进PSO算法的BP网络对泵控马达系统的优化

针对如何有效改善BP网络易陷于局部极小和收敛速度慢的缺点,提出了一种带有变异灰色算子的多群体协同混沌粒子群算法（GMMCCPSO）。将灰色变异算子应用于多群体协同粒子群的主群,以避免主群过早出现局部收敛现象;将混沌理论引入各从群,以增强各从群的局部搜索能力。利用改进的粒子群算法来优化BP神经网络的权值和阈值,有效地改善了BP网络易陷入局部极小和收敛慢的缺点,同时也极大地提高了其映射能力。通过对泵控马达系统进行MATLAB仿真研究,结果表明：改进的PSO-BP网络有效地改善了该系统存在对突加负载的识别能力、系统振荡性和响应速度差的缺点。     

BP算法的改进及其在Matlab上的实现

针对BP算法这种当前前馈神经网络训练中应用最多的算法,在介绍BP神经网络的基础上,对标准的BP网络训练算法存在的收敛速度慢、易陷入局部极值的严重缺点,提出了几种学习算法上的改进;进而介绍了改进蹬算法在Matlab神经网络工具箱中的函数实现。最后应用实例利用Matlab神经网络工具箱对标准BP算法及改进的算法进行语言编程、仿真。仿真结果显示,改进后的算法在极值、收敛速度上得到了很大的改善。     

基于改进型粒子群优化算法的BP网络在股票预测中的应用

本文提出了基于改进型粒子群优化的BP网络学习算法。在该算法中,首先改进了传统的BP算法,有效地使得网络中输入层、隐含层和输出层结点个数达到一个最优解。然后,用粒子群优化算法替代了传统BP算法中的梯度下降法,使得改进后的算法具有不易陷入局部极小、泛化性能好等特点,并将该算法应用在了股票预测的应用设计中。结果证明明：该算法能够明显减少迭代次数,提高收敛精度,其泛化性能也优于传统BP算法。     

改进粒子群算法在乙烯收率软测量中的应用

针对粒子群算法(PSO)容易陷入局部收敛的问题,提出一种引入反动因子并结合引力定律的方法来改进算法,增强其寻优能力,该改进算法命名为:GPSO算法.该算法利用引力定律快速确定粒子的寻优方向,寻优过程中当粒子陷入局部最优时利用反动因子的引入使粒子跳出局部最优.仿真实验证明该改进算法在收敛速度和寻优能力上都取得了显著效果.最后,用改进的算法优化BP神经网络的参数,获得了乙烯裂解转化率模型,实验结果表明,基于改进算法的神经网络模型能够较好地预测乙烯裂解转化率.     

用于能耗数据分析的改进并行BP算法

基于Map Reduce框架的传统BP神经网络算法收敛缓慢,训练易陷入局部极小点,使迭代次数过多,极大浪费资源。为此,提出并实现改进的并行BP算法,采用动态调节学习率、动量因子调整权重修正值,提升BP网络并行训练效率,利用预处理数据和最大分类概率增强分类的准确性。实验结果表明,改进的并行算法能提高分类准确率,缩短近17/18的训练时间。     

基于改进模糊神经网络的电力通信性能预警方法研究

针对电力通信网络的事前预警需求,在对基于模糊神经网络技术研究的基础上,提出了一种利用蚁群算法改进模糊神经网络,提高其全局搜索能力和收敛速度,解决了传统模糊神经网络训练过程易陷入局部极小点的问题。通过实验仿真结果表明,基于改进模糊神经网络的电力通信性能预警方法拟合度很高,具有较强的泛化能力,能够快速给运维人员提供较为可信的性能预警信息,具有较强的实用性。     

基于小波变换的双并联神经网络在混合气体浓度预测中的应用

BP神经网络在混合气体浓度预测中得到广泛应用。针对BP神经网络收敛速度慢的特点,提出了一种新的基于小波变换的并列隐层双并联神经网络结构,这种网络首先对输入数据进行二维离散小波变换,然后用双并联神经网络对变换后两组数据进行训练,确定神经网络的权值和阈值。实验结果证明,相对传统的BP及双并联神经网络,基于小波变换的双并联神经网络的收敛速度加快2～3倍;对混合气体浓度的预测精度也有明显提高。     

改进BP算法在预测安全库存中的应用

针对标准BP算法收敛速度慢、容易陷入极小值的缺陷,利用附加动量项和变步长思想相结合的改进算法,建立三层BP网络模型对安全库存量进行预测,并与标准BP算法的预测结果进行比较,提高了网络收敛速度和预测准确度.     

具有混沌学习率的BP算法

针对BP算法在训练过程中容易陷入局部极小值,导致收敛速率慢的问题,探讨一种利用混沌的遍历特性改进学习效率的算法,用Matlab软件对改进算法进行仿真。实验结果表明,该算法能够提高神经网络的学习效率和收敛精度,较好地避免网络陷入局部极小点。