針對前饋神經(jīng)網(wǎng)絡(luò)預(yù)測糧食產(chǎn)量的方法易陷入局部最優(yōu)的問題,提出一種基于粒子群算法和人工蜂群算法的改進BP神經(jīng)網(wǎng)絡(luò)模型.利用粒子群優(yōu)化算法和人工蜂群算法在全局搜索能力上的不同優(yōu)勢,結(jié)合兩者對BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進一步優(yōu)化,以提升糧食產(chǎn)量預(yù)測模型的準(zhǔn)確性與魯棒性.給出基于粒子群和人工蜂群混合的ABPSO算法的具體實現(xiàn),并選擇1979年至2012年我國糧食的產(chǎn)量及影響其產(chǎn)量的8項因素作為數(shù)據(jù)集進行試驗.結(jié)果表明:改進的BP神經(jīng)網(wǎng)絡(luò)能夠較好地預(yù)測國內(nèi)近幾年的糧食產(chǎn)量變化趨勢;相比未優(yōu)化的BP模型,新算法預(yù)測誤差平均值由847 780 t降低至240 320 t,誤差范圍由1 894 200 t降低至586 800 t. 

【文章頁數(shù)】：7 頁

【文章目錄】：
1 群智能及相關(guān)技術(shù)描述
    1.1 粒子群算法
    1.2 人工蜂群算法
    1.3 BP神經(jīng)網(wǎng)絡(luò)
2 混合群智能算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)
    2.1 改進的混合優(yōu)化算法
        2.1.1 PSO慣性權(quán)重的改進
        2.1.2 ABPSO混合群智能優(yōu)化算法
    2.2 基于改進的混合優(yōu)化算法的BPNN
3 試驗及討論
    3.1 數(shù)據(jù)集的選取與建立
    3.2 預(yù)測結(jié)果與比較
        3.2.1 BP神經(jīng)網(wǎng)絡(luò)預(yù)測
        3.2.2 群智能算法改進的BP神經(jīng)網(wǎng)絡(luò)預(yù)測
4 結(jié) 論


【參考文獻】：
期刊論文
[1]基于維度近鄰關(guān)系擴散的改進粒子群優(yōu)化算法[J]. 易云飛,林郭隆,董文永.  重慶郵電大學(xué)學(xué)報(自然科學(xué)版). 2018(03)
[2]粒子群算法修正測距的無線傳感器網(wǎng)絡(luò)節(jié)點定位[J]. 樓國紅,張劍平.  吉林大學(xué)學(xué)報(理學(xué)版). 2018(03)
[3]基于BP和SOM神經(jīng)網(wǎng)絡(luò)相結(jié)合的地震預(yù)測研究[J]. 蔡潤,武震,云歡,郭鵬.  四川大學(xué)學(xué)報(自然科學(xué)版). 2018(02)
[4]面向單目標(biāo)優(yōu)化的集成粒子群算法[J]. 何莉,王淼,李博.  重慶郵電大學(xué)學(xué)報(自然科學(xué)版). 2017(04)
[5]粒子群優(yōu)化算法的改進及數(shù)值仿真[J]. 李建平,宮耀華,趙思遠,盧愛平,李盼池.  吉林大學(xué)學(xué)報(理學(xué)版). 2017(02)
[6]基于BP神經(jīng)網(wǎng)絡(luò)的DDoS攻擊檢測研究[J]. 楊可心,桑永勝.  四川大學(xué)學(xué)報(自然科學(xué)版). 2017(01)
[7]人工蜂群算法研究綜述[J]. 秦全德,程適,李麗,史玉回.  智能系統(tǒng)學(xué)報. 2014(02)
[8]基于局部搜索的人工蜂群算法[J]. 劉三陽,張平,朱明敏.  控制與決策. 2014(01)
[9]粒子群優(yōu)化算法中慣性權(quán)重綜述[J]. 周俊,陳璟華,劉國祥,許偉龍.  廣東電力. 2013(07)
[10]基于灰色馬爾科夫模型的青島市糧食產(chǎn)量預(yù)測[J]. 陳煥珍.  計算機仿真. 2013(05)



本文編號：3681689