MATLAB群智能算法开源第二十八期-动态元启发式神经网络优化算法

1 写在前面

该系列为基础群智能优化算法，欢迎私信一起交流问题，更多的改进算法可查看往期的推文。有问题或者需要其他建议的话，非常欢迎后台私信交流，共同进步，如若出现违反学术道德的情况与本博客以及作者无关，所有资料仅做参考。推文仅做参考作用，具体原理以及数学模型自行学习改进或后台咨询！！！

群体智能优化算法定义：主要模拟了昆虫、兽群、鸟群和鱼群的群体行为，这些群体按照一种合作的方式寻找食物，群体中的每个成员通过学习它自身的经验和其他成员的经验来不断地改变搜索的方向。任何一种由昆虫群体或者其他动物社会行为机制而激发设计出的算法或分布式解决问题的策略均属于群体智能(Swarm Intelligence)

白话解释：模仿昆虫或者一些动物的觅食或者其他行为，这些动物群体按照一中合作的方式寻找食物，不断的交流食物信息，能够很快的找到更多的食物。通过对他们的行为的研究抽象出来的一种算法，就是群体智能优化算法。（例如，一个个体找到了食物，就会通知其他个体来这个有食物的地方，这就是一种行为）

=====================

推文相关代码后台回复关键词获取

====================

2 算法基本原理

动态元启发式神经网络优化算法（ Neural network algorithm，NNA）（算法求解速度较快与粒子群算法进行了简单对比）人工神经网络(ANNs)是一种计算模型 受到生物的结构和/或功能方面的启发 神经网络。人工神经网络由密集的互联网络组成由生物驱动的投射单位（即人工神经元）。根据它们的连接模式（架构），ANN 可以分为以下两类：a) 前馈神经网络：这些是架构没有循环的网络。一般来说，前馈网络是“静态的”，因为它们只产生一组输出值，而不是来自给定输入数据集的一系列值；b) 循环网络：这些网络由于反馈连接而发生循环，应用反馈意味着时间参数隐含地进入模型，从这个意义上说，这些神经网络是“动态的”。循环网络已经发展神经网络的两种反馈连接：1）局部反馈：这些是将神经元的输出传递给自身的链接；2）全局反馈：这些链接将神经元的输出传递给多层网络架构中相同或较低层中的其他神经元。图 1 显示了用于前馈和循环神经网络的两种典型的 ANN 架构。在建议的优化方法的每个相关步骤中都提供了有关 ANN 的其他必要信息。

算法具体原理请查看相关参考文献或者网络博文。

3 仿真实验（与粒子群算法进行了简单对比）

4 代码及清晰图获取方式

后台回复：NNA