最優(yōu)化問題的求解方法一直是研究熱點(diǎn),涉及經(jīng)濟(jì)、金融、工程等諸多領(lǐng)域。群智能優(yōu)化算法是一種重要的最優(yōu)化問題求解方法,因此受到了廣泛的關(guān)注。多數(shù)群智能優(yōu)化算法的設(shè)計(jì)思想源于自然規(guī)律以及生物習(xí)性,其中,螢火蟲群優(yōu)化(GSO)算法的發(fā)展則是建立在螢火蟲的發(fā)光行為的研究基礎(chǔ)上。GSO算法具有實(shí)現(xiàn)簡單、較好的搜索能力等特點(diǎn),廣泛應(yīng)用于多個(gè)應(yīng)用領(lǐng)域。然而GSO算法也存在不足之處,例如算法輸出結(jié)果精度低、算法穩(wěn)定性差以及收斂速度慢等。本文深入研究GSO算法的理論基礎(chǔ)以及研究現(xiàn)狀。針對(duì)其存在的問題,提出了不同的改進(jìn)策略,并對(duì)GSO算法與廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNN)的并行集成學(xué)習(xí)進(jìn)行研究。具體的研究工作如下:(1)為了解決基礎(chǔ)GSO算法存在的性能問題,本文采用變異策略、變步長策略、輔助位置更新策略等多種策略,進(jìn)而提出了混合改進(jìn)的螢火蟲群優(yōu)化算法(HIGSO),并進(jìn)行對(duì)比仿真實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果驗(yàn)證HIGSO算法具有較優(yōu)的性能表現(xiàn)。(2)為了提升GRNN神經(jīng)網(wǎng)絡(luò)的分類預(yù)測(cè)性能,本文提出了擾動(dòng)因子,并使用HIGSO算法優(yōu)化擾動(dòng)因子與平滑因子,構(gòu)建HIGSO-GRNN并行集成學(xué)習(xí)算法。實(shí)驗(yàn)結(jié)果表明HIGSO-GRNN算...

【文章頁數(shù)】：74 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
致謝
摘要
abstract
第一章 緒論
    1.1 研究背景與意義
    1.2 主要研究內(nèi)容
    1.3 本文組織結(jié)構(gòu)
第二章 相關(guān)理論方法及其研究現(xiàn)狀
    2.1 螢火蟲群優(yōu)化算法
        2.1.1 螢火蟲群優(yōu)化算法理論基礎(chǔ)
        2.1.2 螢火蟲群優(yōu)化算法步驟流程
        2.1.3 螢火蟲群優(yōu)化算法研究現(xiàn)狀
        2.1.4 螢火蟲群優(yōu)化算法應(yīng)用現(xiàn)狀
    2.2 廣義回歸神經(jīng)網(wǎng)絡(luò)
        2.2.1 人工神經(jīng)網(wǎng)絡(luò)及其經(jīng)典模型
        2.2.2 廣義回歸神經(jīng)網(wǎng)絡(luò)理論基礎(chǔ)
        2.2.3 廣義回歸神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
        2.2.4 廣義回歸神經(jīng)網(wǎng)絡(luò)研究與應(yīng)用現(xiàn)狀
    2.3 本章小結(jié)
第三章 混合改進(jìn)的螢火蟲群優(yōu)化算法
    3.1 煙花算法相關(guān)理論
        3.1.1 煙花算法原理
        3.1.2 煙花算法描述
    3.2 混合改進(jìn)螢火蟲群優(yōu)化算法設(shè)計(jì)
        3.2.1 更新策略
        3.2.2 算法步驟流程
        3.2.3 算法復(fù)雜度分析
    3.3 仿真實(shí)驗(yàn)及實(shí)驗(yàn)結(jié)果分析
        3.3.1 仿真實(shí)驗(yàn)環(huán)境
        3.3.2 實(shí)驗(yàn)設(shè)計(jì)與參數(shù)設(shè)置
        3.3.3 實(shí)驗(yàn)結(jié)果及分析
    3.4 本章小結(jié)
第四章 混合改進(jìn)的螢火蟲群算法與廣義回歸神經(jīng)網(wǎng)絡(luò)并行集成學(xué)習(xí)算法
    4.1 HIGSO算法與GRNN神經(jīng)網(wǎng)絡(luò)集成學(xué)習(xí)算法
        4.1.1 算法設(shè)計(jì)思想
        4.1.2 算法流程
    4.2 仿真實(shí)驗(yàn)及實(shí)驗(yàn)結(jié)果分析
        4.2.1 仿真實(shí)驗(yàn)環(huán)境
        4.2.2 實(shí)驗(yàn)設(shè)計(jì)與參數(shù)設(shè)置
        4.2.3 實(shí)驗(yàn)結(jié)果與分析
    4.3 本章小結(jié)
第五章 HIGSO-GRNN并行集成學(xué)習(xí)算法在霧霾預(yù)測(cè)中的應(yīng)用
    5.1 引言
    5.2 霧霾預(yù)測(cè)實(shí)驗(yàn)
        5.2.1 霧霾數(shù)據(jù)集
        5.2.2 仿真實(shí)驗(yàn)環(huán)境
        5.2.3 實(shí)驗(yàn)設(shè)計(jì)與參數(shù)設(shè)置
        5.2.4 實(shí)驗(yàn)結(jié)果與分析
    5.3 本章小結(jié)
第六章 總結(jié)與展望
    6.1 全文總結(jié)
    6.2 研究展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間的學(xué)術(shù)活動(dòng)及成果情況



本文編號(hào)：4046647