差分进化杂草算法优化神经网络权阈值实现函数拟合

1,杂草改进策略及其标准函数的极值寻优测试,测试sphere函数,极值为0,维度30

差分进化杂草算法优化神经网络权阈值实现函数拟合_第1张图片

差分进化杂草算法是在杂草优化算法的基础上添加变异交叉选择操作。

这是普通的杂草优化及其参数

差分进化杂草算法优化神经网络权阈值实现函数拟合_第2张图片

这是增加选择交叉变异操作后的差分进化杂草相关参数及其适应度曲线(取了对数log的,越负则log前的数越接近于0),其他参数均相同,只添加交叉和变异概率,选择是基于

差分进化杂草算法优化神经网络权阈值实现函数拟合_第3张图片

由此可以看出改进后的杂草比普通的杂草效果更好。

2,杂草优化bp网络进行函数拟合,2输入 1输出。数据来源《MATLAB神经网络43个案例分析》第3章。

差分进化杂草算法优化神经网络权阈值实现函数拟合_第4张图片

3 差分进化杂草优化神经网络

差分进化杂草算法优化神经网络权阈值实现函数拟合_第5张图片

 

从以上分析可以明显看出,改进后的差分杂草效果优于普通的杂草优化

 

补充:适应度函数是最小化BP网络训练集的预测数据与实际输出之间的均方差。本文将其应用与优化bp神经网络进行分类 同样取得不错的结果,可加我qq2919218574进行讨论

你可能感兴趣的:(机器学习)