針對標準正弦余弦算法（Sine Cosine Algorithm,SCA）處理全局優(yōu)化問題時存在收斂速度慢、易陷入局部最優(yōu)和求解精度低的缺點,文中提出了一種基于非線性轉(zhuǎn)換參數(shù)和隨機差分變異策略的改進正弦余弦算法（LS-SCA）。首先,設(shè)計一種基于Logistic模型的非線性轉(zhuǎn)換參數(shù)策略以平衡算法的全局搜索和局部開發(fā)能力;其次,引入隨機差分變異策略以增強種群的多樣性與避免算法陷入局部最優(yōu);最后,將非線性轉(zhuǎn)換參數(shù)和隨機差分變異策略進行融合。一方面,選取12個標準測試函數(shù)進行全局尋優(yōu)的仿真實驗。結(jié)果表明,與其他SCA類算法和最新智能算法相比,LS-SCA在收斂精度和收斂速度指標上均能達到較優(yōu)的效果。其中,隨機差分變異策略對LS-SCA全局尋優(yōu)能力的提升尤為明顯。另一方面,利用LS-SCA優(yōu)化神經(jīng)網(wǎng)絡(luò)參數(shù)解決了兩類經(jīng)典分類問題。實驗結(jié)果表明,與傳統(tǒng)的BP算法和其他智能算法相比,基于LS-SCA的神經(jīng)網(wǎng)絡(luò)能達到較高的分類準確率。 

【文章頁數(shù)】：7 頁

【文章目錄】：
1 引言
2 正弦余弦算法
3 改進的正弦余弦算法
    3.1 基于Logistic模型的轉(zhuǎn)換參數(shù)策略
    3.2 隨機差分變異策略
4 仿真實驗及分析
    4.1 標準測試函數(shù)及參數(shù)設(shè)置
    4.2 LS-SCA與基本SCA和其他改進SCA的比較
    4.3 與其他群體智能算法的比較
    4.4 優(yōu)化MLP網(wǎng)絡(luò)參數(shù)
結(jié)束語



本文編號：3679549