目录
0 引言
针对差分进化易陷入局部最优和灰狼算法易早熟停滞的缺点
,本章节
提出了一种基于差分进化算法(
DE
) 和灰狼算法(GWO
) 的混合优化算法(DEGWO
)
。
该算法利用差分进化的变异和选择操作
维持GWO种群的多样性
,
然后进行灰狼算法捕猎活动,同时以DE交叉对最终灰狼ω位置进行交叉操作,利于GWO的随机性,提高模型
全局搜索
。
1 数学模型
DEGWO的数学模型结合DE和GWO优点从而提高二者存在缺陷,进行活动主要有以下三个部分:DE变异和选择操作增强GWO多样性、GWO狩猎活动、DE交叉操作提高GWO的随机性。
(1)DEGWO的变异和选择操作数学模型:
式(2)为GWO随机种群,Xij(L)和Xij(U)分别为种群上下界限;式(3)为变异操作产生灰狼种群,Xp1,2,3分为GWO种群随机灰狼,F为变异因子;式(5)为选择操作
(2)GWO狩猎活动:参考上期推文
灰狼算法优化BP神经网络(GWO-BP)原理及matlab代码-CSDN博客
(3)DEGWO的交叉操作数学模型
式(4)为交叉操作产生个体,其中hij(g)为对最终ω狼群位置变异狼,CR为交叉概率。
2 模型性能对比
以下是模型DEGWO、DE和GWO的适应度和精度指标的性能对比,下图来源辅导学生的硕士文章,由于处在外审阶段故图内加有水印。
2.1 适应度对比图
2.1 精度对比
3 DEGWO-BP的matlab代码
3.1 伪代码
3.2 模型代码
1)单输出回归预测模型:单输出回归:差分进化算法和灰狼算法的混合算法优化BP神经网络模型(DEGWO-BP)
2)多输出回归预测模型:多输出回归:差分进化算法和灰狼算法的混合算法优化BP神经网络模型(DEGWO-BP)
3)分类模型:分类:差分进化算法和灰狼算法的混合算法优化BP神经网络模型(DEGWO-BP)
4)时间序列:时间序列:差分进化算法和灰狼算法的混合算法优化BP神经网络模型(DEGWO-BP)
4 视频讲解
B站搜索:‘ 不想学习的陈成 ’