萤火虫群优化算法与GRNN神经网络并行集成学习研究

发布时间：2025-05-20 01:39

　　最优化问题的求解方法一直是研究热点,涉及经济、金融、工程等诸多领域。群智能优化算法是一种重要的最优化问题求解方法,因此受到了广泛的关注。多数群智能优化算法的设计思想源于自然规律以及生物习性,其中,萤火虫群优化(GSO)算法的发展则是建立在萤火虫的发光行为的研究基础上。GSO算法具有实现简单、较好的搜索能力等特点,广泛应用于多个应用领域。然而GSO算法也存在不足之处,例如算法输出结果精度低、算法稳定性差以及收敛速度慢等。本文深入研究GSO算法的理论基础以及研究现状。针对其存在的问题,提出了不同的改进策略,并对GSO算法与广义回归神经网络(GRNN)的并行集成学习进行研究。具体的研究工作如下:(1)为了解决基础GSO算法存在的性能问题,本文采用变异策略、变步长策略、辅助位置更新策略等多种策略,进而提出了混合改进的萤火虫群优化算法(HIGSO),并进行对比仿真实验。实验结果验证HIGSO算法具有较优的性能表现。(2)为了提升GRNN神经网络的分类预测性能,本文提出了扰动因子,并使用HIGSO算法优化扰动因子与平滑因子,构建HIGSO-GRNN并行集成学习算法。实验结果表明HIGSO-GRNN算...

【文章页数】：74 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
abstract
第一章 绪论
    1.1 研究背景与意义
    1.2 主要研究内容
    1.3 本文组织结构
第二章 相关理论方法及其研究现状
    2.1 萤火虫群优化算法
        2.1.1 萤火虫群优化算法理论基础
        2.1.2 萤火虫群优化算法步骤流程
        2.1.3 萤火虫群优化算法研究现状
        2.1.4 萤火虫群优化算法应用现状
    2.2 广义回归神经网络
        2.2.1 人工神经网络及其经典模型
        2.2.2 广义回归神经网络理论基础
        2.2.3 广义回归神经网络结构
        2.2.4 广义回归神经网络研究与应用现状
    2.3 本章小结
第三章 混合改进的萤火虫群优化算法
    3.1 烟花算法相关理论
        3.1.1 烟花算法原理
        3.1.2 烟花算法描述
    3.2 混合改进萤火虫群优化算法设计
        3.2.1 更新策略
        3.2.2 算法步骤流程
        3.2.3 算法复杂度分析
    3.3 仿真实验及实验结果分析
        3.3.1 仿真实验环境
        3.3.2 实验设计与参数设置
        3.3.3 实验结果及分析
    3.4 本章小结
第四章 混合改进的萤火虫群算法与广义回归神经网络并行集成学习算法
    4.1 HIGSO算法与GRNN神经网络集成学习算法
        4.1.1 算法设计思想
        4.1.2 算法流程
    4.2 仿真实验及实验结果分析
        4.2.1 仿真实验环境
        4.2.2 实验设计与参数设置
        4.2.3 实验结果与分析
    4.3 本章小结
第五章 HIGSO-GRNN并行集成学习算法在雾霾预测中的应用
    5.1 引言
    5.2 雾霾预测实验
        5.2.1 雾霾数据集
        5.2.2 仿真实验环境
        5.2.3 实验设计与参数设置
        5.2.4 实验结果与分析
    5.3 本章小结
第六章 总结与展望
    6.1 全文总结
    6.2 研究展望
参考文献
攻读硕士学位期间的学术活动及成果情况



本文编号：4046647