基于蛙跳粒子群的BP神经网络算法

计算机与现代化 ›› 2015, Vol. 0 ›› Issue (9): 57-59,65.

基于蛙跳粒子群的BP神经网络算法

1.中国地质大学（北京）信息工程学院，北京100083;2.中国国土资源航空物探遥感中心，北京100083

收稿日期:2015-07-13 出版日期:2015-09-21 发布日期:2015-09-24
作者简介:谷全宇(1990-),男,黑龙江绥化人,中国地质大学（北京）信息工程学院硕士研究生,研究方向：计算机网络，智能控制；张梦婷(1986-),女,中国国土资源航空物探遥感中心，硕士,研究方向：计算机网络，信息通信，智能控制。

BP Neural Network Algorithm Based on Frog Leaping Particle Swarm Optimization

1. Information Engineering Institute， China University of Geosciences， Beijing 100083， China；

2. China Aero Geophysical Survey and Remote Sensing Center for Land and Resources, Beijing 100083， China

Received:2015-07-13 Online:2015-09-21 Published:2015-09-24

摘要/Abstract

摘要：

针对BP神经网络算法计算量复杂、收敛速度缓慢等缺点，提出一种基于启发式算法的BP神经网络权值和阈值的迭代方法。该方法结合蛙跳粒子群可控参数少、收敛速度快等特点，将神经网

络权值和阈值作为粒子，通过粒子更新来实现BP神经网络训练。实验结果表明，该算法的精度可在1.5342e-03左右。

关键词: , 蛙跳算法, 粒子群算法, BP神经网络

Abstract:

In order to solve the problems that the calculation of BP neural network is very complex and its convergence rate is slow， an iterative method of weight and

threshold of the BP neural network based on the heuristic algorithm is put forward. This method combined with two advantages of the Frog Leaping Particle Swarm, in which, one is

less controllable parameter than normal ways and the other one is the fast convergence speed. In essence, the weight and the threshold of neural network can be seen as

particles. BP neural network was trained by particle updating and the accuracy of the algorithm is about 1.5342e-03.

Key words: shuffled frog leaping algorithm, particle swarm optimization algorithm, BP neural network

谷全宇1，张梦婷2. 基于蛙跳粒子群的BP神经网络算法[J]. 计算机与现代化, 2015, 0(9): 57-59,65.

GU Quan-yu1， ZHANG Meng-ting2. BP Neural Network Algorithm Based on Frog Leaping Particle Swarm Optimization[J]. Computer and Modernization, 2015, 0(9): 57-59,65.

［1］ Rumelhart D E, Hinton G E, Williams R J. Learning representations by back-propaga gation error［J］. Nature， 1986，323(9):533-536.
［2］吴建辉，章兢，刘朝华. 基于改进粒子群优化算法的离散混沌系统神经滑模控制［J］. 控制与决策， 2013,28(7):1094-1098.
［3］董海鹰，魏占宏，杨玺，等. 基于自适应模糊神经网络的风速软测量［J］. 电力系统及其自动化学报， 2013，25(1):60-65.
［4］ Simon Haykin. 神经网络原理［M］. 叶世伟，史忠植，译. 北京：机械工业出版社， 2004.
［5］ Simon Haykin. 神经网络与机器学习［M］. 申富饶，徐烨，郑俊，译. 北京：机械工业出版社， 2010.
［6］ Kennedy J， Eberhart R C. Particle swarm optimization［D］// Proceedings of IEEE International Conference on Neural Networks. 1995:1942-1948.
［7］张思亮，葛洪伟. 粒子群和蛙跳的混合算法求解车辆路径问题［J］. 计算机工程与应用， 2011，47(21):246-248.
［8］姜海燕，王芳芳，郭小清，等. 基于自主学习和精英群的多子群粒子群算法［J］. 控制与决策， 2014,29(11):2034-2040.
［9］章国勇，伍永刚，顾巍. 基于精英学习的量子行为粒子群算法［J］. 控制与决策， 2013，28(9)：1341-1348.
［10］高圣国，刘升，郑中团. 带两类正态变异的PSO算法［J］. 控制与决策， 2014，29(10)：1881-1884
［11］金敏，鲁华祥. 一种遗传算法与粒子群优化的多子群分层混合算法［J］. 控制理论与应用， 2013，30(10)：1231-1238.
［12］周开利，康耀红. 神经网络模型及其Matlab仿真程序设计［M］. 北京：清华大学出版社， 2005
［13］李丽，牛奔. 粒子群优化算法［M］. 北京：冶金工业出版社， 2010.
［14］田雨波. 粒子群优化算法及电磁应用［M］. 北京：科学出版社， 2014.
［15］崔志华. 粒子群优化算法［M］. 北京：科学出版社， 2011.
［16］段晓东，王存睿，刘向东. 粒子群算法及其应用［M］. 沈阳：辽宁大学出版社， 2007.
［17］刘波. 粒子群优化算法及其工程应用［M］. 北京：电子工业出版社， 2010.

[1]	赵晨阳, 薛涛, 刘俊华. 基于改进Stable Diffusion的时尚服饰图案生成[J]. 计算机与现代化, 2024, 0(12): 15-23.
[2]	万兵1, 2, 3, 赵文涛4, 潘多涛1, 赵峥韬2, 3, 孙朝阳2, 3, 俞建成2, 3. 无人帆船半物理仿真测试系统设计[J]. 计算机与现代化, 2024, 0(12): 91-99.
[3]	陈宇航1, 杨勇1, 帕力旦·吐尔逊1, 樊小超1, 任鸽1, 刁宇峰2. 融合句法特征与语义特征的作文自动评分方法[J]. 计算机与现代化, 2024, 0(11): 64-69.
[4]	黄文栋, 王怡凡. 基于模态类别的多模态信息处理与融合综述[J]. 计算机与现代化, 2024, 0(07): 47-62.
[5]	曹宁1, 徐根祺2, 张雯3, 许又文1, 何盼情1. 基于AFSPSO-ν-SVM的山洪灾害预测方法研究#br# #br#[J]. 计算机与现代化, 2024, 0(05): 33-37.
[6]	毛明扬, 徐胜超. 面向粒子群优化BP神经网络的粗糙集连续属性离散化算法[J]. 计算机与现代化, 2023, 0(09): 115-119.
[7]	韩雪. 基于约束聚类和粒子群算法的多路径规划[J]. 计算机与现代化, 2023, 0(08): 7-11.
[8]	王玉立, 杨昌松, 邱劲, 韦俊, 吴宏杰, . 基于时空注意力机制的基坑位移预测方法[J]. 计算机与现代化, 2023, 0(05): 39-45.
[9]	王颖颖, 庄毅, 孙逸帆. 基于粒子群优化BP神经网络的可靠性评估模型[J]. 计算机与现代化, 2022, 0(12): 42-49.
[10]	李静元, 张珂, 杨东裕. 基于雾计算的工业互联网安全数据访问方法[J]. 计算机与现代化, 2022, 0(12): 118-122.
[11]	陈刚, 王志坚, 徐胜超. 基于粒子群算法的移动边缘计算任务分配方法[J]. 计算机与现代化, 2022, 0(11): 32-36.
[12]	汪敏, 徐英豪, 朱习军. 基于改进遗传算法优化BP神经网络的糖尿病并发症预测模型#br#[J]. 计算机与现代化, 2022, 0(11): 69-74.
[13]	黄玲, 白晓波. 基于PSO-KPLS的教师科研绩效预测[J]. 计算机与现代化, 2022, 0(06): 8-12.
[14]	刘志锋, 舒志浩, 胥越峰, 杨舒伊, 沈文龙. 基于PSO自适应双策略的人工鱼群算法[J]. 计算机与现代化, 2022, 0(05): 46-53.
[15]	张彦虎, 鄢丽娟, 马志愤, 张彦军. 一种适用于多任务多资源移动边缘计算环境下的改进粒子群算力卸载算法[J]. 计算机与现代化, 2022, 0(05): 54-60.