GA，PSO对非性函数极值寻优的比较分析.docVIP

GA，PSO对非线性函数极值寻优的比较分析 摘要：本文应用BP网络拟合一个已知函数，以训练好的BP网络作为寻优模型。在Matlab软件中，分别应用GA和PSO对其进行极值寻优。比较分析两种算法的寻优性能，如极值的接近程度，耗用CUP时间，迭代的效率和收敛速度。进一步分析GA和PSO算法的优缺点，以及算法优化。 关键字：BPNN函数拟合，GA，PSO，极值寻优 1.引论 本文用Rastrigin函数产生BP网络拟合样本，然后训练BP网络并存取网络参数。 最后，分别应用GA和PSO对网络进行极值寻优。评价两种优化算法的性能，以及BP网络的预测精度对GA和PSO寻优的影响。 2.算法介绍 2.1 BPNN介绍 BP网络是一种多层前馈神经网络，其主要特点是信号前向传递，误差反向传递。 根据网络误差的反馈，调整网络权值和阀值，以达到理想的拟合性能。 2.1 GA介绍 GA是一种并行随机搜索最优化方法。模拟了自然界生物基因遗传变异机制，生物进化的过程就是一个最优化过程。 2.2 PSO介绍 PSO是一种群体智能优化方法。PSO，蚁群算法，鱼群算法统属计算智能领域。从生物群体行为特征中得到启发并用于求解优化问题。 3. 问题背景 寻优的非线性函数Rastrigins Rastrigin函数三维图 图示函数存在多个局部最优值，希望找到全局最优值及最优解。本文为了反映工程的实际状况，即现实中很可能对函数的输入输出的映射关系不清楚，那么首先应用曲线拟合的方法对未知数据或样本进行拟合。BP网络是拟合非线性数据关系比较理想的工具。在拟合性能较好的BP网络基础上，应用优化算法（如GA、PSO）对模型机型极值寻优。 4. Matlab实现及结果分析 4.1 BP网络训练 应用Rastrigin函数随机产生4000组数据对，随机选取其中3900组数据对作为训练样本，100组作为测试样本。分别选用2-5-1和2-8-1的BP网络拟合样本。 2-5-1的拟合效果 2-8-1的拟合效果 4.2 GA极值寻优 2-5-1BP网络的GA迭代过程 GA寻优结果 2-8-1BP网络的GA迭代过程 2-8-1网络的GA寻优结果 4.3 PSO极值寻优 2-5-1BP网络PSO迭代过程 PSO的寻优结果 2-8-1BP网络PSO的迭代过程 PSO寻优结果 4.4 GA与PSO结果比较分析 最优解 最优值 GA 2-5-1BP [0.2504 0.0537] 10.7283 2-8-1BP [1.0230 0.0562] 18.9296 PSO 2-5-1BP [1.2504 0.0595] 10.7283 2-8-1BP [0.4296 0.1849] 18.5269 Rastrigin [ 0 0 ] 0 5. 总结与心得 BP网络的拟合性能会随着拟合函数复杂程度的增加而降低。因此，BP网络并不是万能的，误差是绝对的，精度是相对的。同时，GA和PSO具有局限性，即依赖BP网络对实际问题的拟合程度。网络精度有限，会导致GA和PSO寻优能力有限。总之，BP神经网络有其局限性，GA和PSO寻优性能依赖BP网络的预测精度。 BPNN，GA，PSO的发展离不开其在各种复杂问题中的应用。随着研究的深入，以及问题的复杂程度增加，现代智能算法的局限性渐渐暴露。同时，也促使研究人员和工程应用人员发挥创造力，在算法原有的基础上进行优化改进，或者是一次前无古人的开创发现。 研究智能算法就是研究其解决问题的高效性和精确度，不断尝试和思考，善于发现和总结是进行科学研究的两大法宝。知行，需要知识同时也需要行动。行动是发现问题和创新思维的基础。 6. 参考 MATLAB神经网络30个案例分析 网络论坛（）