基于改进粒子群算法优化反向传播神经网络热舒适度预测模型.docVIP

基于改进粒子群算法优化反向传播神经网络热舒适度预测模型 　　摘要：针对热舒适度预测是一个复杂的非线性过程，不便于空调的实时控制应用的问题，提出一种基于改进的粒子群优化（PSO）算法优化反向传播（BP）神经网络的热舒适度预测模型。这一预测模型通过采用PSO算法优化BP神经网络的初始权值和阈值，改善了传统BP算法收敛速度慢及对网络初始值敏感的问题。同时，针对标准PSO算法易出现早熟收敛、局部寻优能力弱等缺点，提出了相应改进策略，进一步提高了PSO优化BP神经网络的能力。实验结果表明：与传统BP模型和标准PSOBP模型相比，基于改进的PSOBP算法的热舒适度预测模型具有更高的预测精度和更快的收敛速度。 　　关键词：热舒适度；预测；反向传播神经网络；粒子群优化算法；模型 　　中图分类号： TP183 　　文献标志码：A 　　Abstract： Aiming at the problem that thermal comfort prediction， which is a complicated nonlinear process， can not be applied to realtime control of air conditioning directly， this paper proposed a thermal comfort prediction model based on the improved Particle Swarm OptimizationBack Propagation （PSOBP） neural network algorithm. By using PSO algorithm to optimize initial weights and thresholds of BP neural network， the problem that traditional BP algorithm converges slowly and is sensitive to the initial value of the network was improved in this prediction model. Meanwhile， for the standard PSO algorithm prone to premature convergence， weak local search capabilities and other shortcomings， this paper put forward some improvement strategies to further enhance the PSOBP neural network capabilities. The experimental results show that， the thermal comfort prediction model based on the improved PSOBP neural network algorithm has faster algorithm converges and higher prediction accuracy than the traditional BP model and standard PSOBP model. 　　Key words： thermal comfort； prediction； Back Propagation （BP） neural network； Particle Swarm Optimization （PSO） algorithm； model 　　0引言 　　近年来，单纯以室内温度为控制目标的空调系统已无法满足人们对舒适度的要求，而以人体热舒适度为控制目标的空调系统，不仅能提高室内人员的舒适度，还能减少建筑能耗[1-2]。在该空调控制系统中，准确预测空调房间内的热舒适度成为了关键部分。 　　随着智能优化算法的发展，近年来，学者们提出了不少热舒适度预测算法。文献[3-4]均提出了基于模糊聚类的室内热舒适预测方法，该方法尽管降低了算法训练的复杂度和过拟合度，但其预测误差较大。为提高预测精度，文献[5]提出了基于人工神经网络的热舒适度预测算法，该算法虽然达到了一定预测精度，但该神经网络的训练却很复杂。文献[6]提出的基于反向传播（Back Propagation， BP）神经网络的舒适度预测算法，降低了网络训练的复杂度和预测误差；但是，该算法对网络初始权值和偏置较敏感且易陷入局部最小。文献[7-8]提出采用粒子群优化（Particle Swarm Optimization， PSO）算法BP神经网络的算法，通过利用PSO算法的全局搜索能力