BBO-BP組合神經(jīng)網(wǎng)絡(luò)模型的建立,計(jì)算機(jī)信息管理論文

BBO-BP組合神經(jīng)網(wǎng)絡(luò)模型的建立,計(jì)算機(jī)信息管理論文自然界中的生物均具有群體行為，種群中的簡(jiǎn)單個(gè)體通過團(tuán)體協(xié)作來實(shí)現(xiàn)復(fù)雜的工作，這種群智能現(xiàn)象吸引著越來越多的學(xué)者。他們模擬借鑒生物群體智能機(jī)制，研究相應(yīng)的群智能優(yōu)化算法理論并開發(fā)高智能的信息處理系統(tǒng)，以解決人類運(yùn)用傳統(tǒng)方式方法難以解決的問題。遺傳算法、粒子群優(yōu)化算法、蟻群算法及免疫算法等均為群智能優(yōu)化算法。神經(jīng)網(wǎng)絡(luò)是從生理角度模擬人類行為的一種智能技術(shù)。該技術(shù)已在各行業(yè)得到廣泛應(yīng)用.可將傳統(tǒng)的工程系統(tǒng)和人工智能處理技術(shù)混合起來，通過學(xué)習(xí)、訓(xùn)練和記憶，擬合輸入變量與輸出變量間的非線性映射。由于神經(jīng)網(wǎng)絡(luò)訓(xùn)練常用的學(xué)習(xí)算法---傳統(tǒng)BP算法具有固有的缺陷而影響著應(yīng)用效果,造成神經(jīng)網(wǎng)絡(luò)收斂速度慢且易陷入局部極小值。當(dāng)前BP網(wǎng)絡(luò)的改良方式方法有在梯度法基礎(chǔ)上改良學(xué)習(xí)算法、網(wǎng)絡(luò)拓?fù)錁?gòu)造優(yōu)化以及融入其他優(yōu)化算法等。鑒于群智能優(yōu)化算法的優(yōu)良特性，很多學(xué)者應(yīng)用群智能優(yōu)化算法代替BP算法進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。周穎等提出了一種人工免疫學(xué)習(xí)算法，將其用于RBF神經(jīng)網(wǎng)絡(luò)隱層中心點(diǎn)數(shù)和位置的調(diào)整;田文杰等將蟻群算法和神經(jīng)網(wǎng)絡(luò)結(jié)合起來，應(yīng)用于設(shè)備故障專家系統(tǒng)的知識(shí)獲取并進(jìn)行診斷推理;文獻(xiàn)[6]將粒子群優(yōu)化算法用于優(yōu)化神經(jīng)網(wǎng)絡(luò)的連接權(quán)值和閾值，并將優(yōu)化好的神經(jīng)網(wǎng)絡(luò)應(yīng)用于故障診斷中?；趯?duì)生物物種遷移、變異行為的研究，以生物地理學(xué)歸納計(jì)算為理論的生物地理優(yōu)化算法〔Biogeography-basedOptimization,BBO〕是一種新型的群智能優(yōu)化算法。鑒于其他群智能優(yōu)化算法在神經(jīng)網(wǎng)絡(luò)訓(xùn)練中的應(yīng)用，筆者將生物地理優(yōu)化算法與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，建立BBO-BP組合神經(jīng)網(wǎng)絡(luò)模型，充分發(fā)揮BBO解決優(yōu)化問題的優(yōu)勢(shì)，克制連接權(quán)值隨機(jī)導(dǎo)致神經(jīng)網(wǎng)絡(luò)易陷入局部極小值的缺點(diǎn)，縮短訓(xùn)練時(shí)間。1生物地理優(yōu)化算法生物地理優(yōu)化算法就是根據(jù)生物地理學(xué)闡述的生物物種在地理上分布的特點(diǎn)，使用生物地理學(xué)的分配機(jī)制〔即遷移模型、變異生新〕,以適宜度最優(yōu)為求解目的，來解決工程問題.詳細(xì)講就是，待優(yōu)化問題的解對(duì)應(yīng)著生物地理學(xué)中棲息地的特征向量SIV,華而不實(shí)的各種自然因素相當(dāng)于優(yōu)化問題解向量的分量；待優(yōu)化問題的度量函數(shù)值f〔xi〕〔i=1,2,，n〕對(duì)應(yīng)著生物地理學(xué)中的棲息地適宜度指數(shù)HIS,好解類似于高HIS的棲息地，差解類似于低HIS的棲息地；優(yōu)化算法中的信息交互機(jī)制對(duì)應(yīng)著棲息地的移近移出機(jī)制，設(shè)計(jì)了基于概率的個(gè)體遷移算子實(shí)現(xiàn)信息分享，每個(gè)個(gè)體通過計(jì)算得到各自的移進(jìn)概率i和移出概率i,通過該數(shù)值來控制個(gè)體信息的移動(dòng)概率。同時(shí)，為增加群體多樣性，設(shè)計(jì)變異算子，根據(jù)棲息地包容種群數(shù)量的不同，計(jì)算相應(yīng)的變異率，對(duì)棲息地進(jìn)行變異操作，進(jìn)而擴(kuò)大解集。生物地理優(yōu)化算法的精華真髓即遷移操作和變異操作，利用遷移操作與其他棲息地進(jìn)行信息交換，進(jìn)而對(duì)解空間進(jìn)行廣域搜索；利用變異操作來模擬自然突變，根據(jù)棲息地i的種群遷移率對(duì)棲息地的特征向量進(jìn)行突變進(jìn)而更新解集。遷移操作。遷移模型采用的是簡(jiǎn)化線性模型，設(shè)棲息地的數(shù)量為n,群體大小為NP,優(yōu)化問題的維度為D,最大物種數(shù)為Smax、最大遷出率為Emax、最大遷入率為Imax,詳細(xì)的流程為：fori=1toNPdo用概率i選取xiif〔0,1〕之間的均勻隨機(jī)數(shù)小于ithenforj=1toNPdo用概率i選取xjif〔0,1〕之間的均勻隨機(jī)數(shù)小于ithen從xj中隨機(jī)選取一個(gè)SIV用替換xj中的一個(gè)隨機(jī)SIVendifendforendifendfor變異操作。最大變異率為mmax,遷移率為Ps,精英個(gè)體保存數(shù)量為k,BBO變異操作的核心問題就是怎樣根據(jù)棲息地?fù)碛蟹N群數(shù)量的概率給出相應(yīng)的突變率，詳細(xì)的流程為：fori=1toNPdo計(jì)算概率pi用概率pi選取SIVxi〔j〕if〔0,1〕之前的均勻隨機(jī)數(shù)小于mithen用一個(gè)隨機(jī)產(chǎn)生的SIV替換xi〔j〕endifendfor2生物地理優(yōu)化算法與其他群智能算法的比擬固然BBO算法和其他智能算法一樣，都屬于模擬自然選擇和生物進(jìn)化機(jī)制的智能優(yōu)化算法，但是該算法和其他算法有本質(zhì)區(qū)別，下面為與其他算法的比擬。2.1與遺傳算法的比擬BBO也會(huì)在解之間實(shí)現(xiàn)信息的分享，但在進(jìn)化經(jīng)過中并不產(chǎn)生新的子代，算法利用移進(jìn)概率來決定棲息地能否需要引入特征變量以及進(jìn)入的比例，并且移進(jìn)的特征變量來自其他不同的個(gè)體；而遺傳算法通過染色體來分享信息，通過穿插變異重組基因單元來產(chǎn)生新的子代，它不能根據(jù)適應(yīng)值來控制穿插基因，并且穿插的基因片段來自于同一個(gè)體。2.2與蟻群算法〔ACO〕的比擬BBO是通過遷移機(jī)制來改良解的適應(yīng)度，它并不直接產(chǎn)生新的解集，只是依靠遷移機(jī)制來修改這些解；而ACO是通過螞蟻之間信息素的交換和互相協(xié)作來實(shí)現(xiàn)優(yōu)化，在每次迭代經(jīng)過中要產(chǎn)生新的解集，每一代都會(huì)產(chǎn)生一系列方式方法，而BBO則會(huì)保持方式方法不變。2.3與粒子群優(yōu)化算法〔PSO〕的比擬BBO同粒子群優(yōu)化算法最為類似，都是通過個(gè)體間的知識(shí)共享來到達(dá)優(yōu)化的目的，都將產(chǎn)生的優(yōu)質(zhì)方案保存到下一代，每一個(gè)方案都和鄰近個(gè)體進(jìn)行信息交互，進(jìn)而進(jìn)行調(diào)整。但BBO采用了根據(jù)不同棲息地種群數(shù)量來選擇不同操作強(qiáng)度的物種鼓勵(lì)機(jī)制，進(jìn)而通過遷移機(jī)制調(diào)整解集來改良解的適應(yīng)度，而PSO是通過調(diào)整粒子的速度和位置來改良粒子的適應(yīng)度。另一方面粒子群的解更可能聚在一起，而BBO的解沒有任何內(nèi)在聚類的趨勢(shì)。從這些不同之處能夠看出BBO算法是一種獨(dú)特的群智能優(yōu)化算法。筆者采用典型的Sphere單峰函數(shù)和Rastrigin多峰函數(shù)進(jìn)行測(cè)試，并與典型的群智能算法---蟻群優(yōu)化算法、遺傳算法和粒子群優(yōu)化算法進(jìn)行仿真性能比擬。算法對(duì)于各個(gè)測(cè)試函數(shù)優(yōu)化的平均運(yùn)行結(jié)果如此圖1、2所示?！緢D1.圖2】表1列出了測(cè)試函數(shù)經(jīng)過中每一個(gè)算法的平均極小值〔表示算法的平均性能〕和最好極小值〔表示算法的最好性能〕.【表1】從測(cè)試結(jié)果能夠看出，對(duì)于Sphere單峰函數(shù)BBO前期收斂速度快，找到最優(yōu)解的精度沒有PSO好；但在處理Rastrigin多峰函數(shù)時(shí)，BBO的收斂速度快，并且較其他算法最接近優(yōu)化值。綜上所述，BBO處理優(yōu)化問題還是具有優(yōu)勢(shì)的，求解經(jīng)過中不存在波動(dòng)，穩(wěn)定性較好。3基于生物地理優(yōu)化算法的神經(jīng)網(wǎng)絡(luò)故障診斷基于神經(jīng)網(wǎng)絡(luò)的故障診斷中，神經(jīng)網(wǎng)絡(luò)的輸入是被診斷對(duì)象的征兆即特征值，輸出則表示發(fā)生故障的可能性。在整個(gè)診斷經(jīng)過中，先利用一組故障樣本對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，確定網(wǎng)絡(luò)構(gòu)造和參數(shù)，進(jìn)而實(shí)現(xiàn)征兆集與故障集之間的非線性映射。借鑒其他智能算法在神經(jīng)網(wǎng)絡(luò)故障診斷中的應(yīng)用，筆者將BBO算法與基于BP神經(jīng)網(wǎng)絡(luò)的故障診斷相結(jié)合，把BP神經(jīng)網(wǎng)絡(luò)構(gòu)造中有待訓(xùn)練的權(quán)值和閾值看作是BBO算法的尋優(yōu)目的參數(shù)，用BBO算法作為學(xué)習(xí)算法對(duì)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行訓(xùn)練。3.1建立神經(jīng)網(wǎng)絡(luò)筆者選取應(yīng)用最廣泛的三層神經(jīng)網(wǎng)絡(luò)，以文獻(xiàn)[8]中的抽油機(jī)數(shù)據(jù)〔表2、3〕為例，輸入節(jié)點(diǎn)對(duì)應(yīng)電流特征向量的6個(gè)分量，輸出節(jié)點(diǎn)數(shù)為3,對(duì)應(yīng)抽油機(jī)的3種工作狀態(tài)?！颈?.表3】3.2確定參數(shù)利用BBO算法訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)時(shí)，定義生物棲息地適宜度分量為網(wǎng)絡(luò)中的連接權(quán)值。筆者采用6-6-3結(jié)構(gòu)的三層神經(jīng)網(wǎng)絡(luò)，權(quán)值為66+63=54,閾值為6+3=9,故棲息地適宜度模型維數(shù)為54+9=63.設(shè)置群體大小NP=100,Imax=Emax=1.0,最大變異率mmax=0.005,迭代次數(shù)為1000.3.3基于BBO算法的神經(jīng)網(wǎng)絡(luò)訓(xùn)練將BBO作為學(xué)習(xí)算法來優(yōu)化神經(jīng)網(wǎng)絡(luò)權(quán)值的關(guān)鍵在于下面兩點(diǎn)：a.建立BBO的物種維度空間與神經(jīng)網(wǎng)絡(luò)連接權(quán)值之間的映射。生物地理優(yōu)化算法中，每個(gè)生物棲息地的維度分量都對(duì)應(yīng)為神經(jīng)網(wǎng)絡(luò)中的一個(gè)連接權(quán)值，也就是講神經(jīng)網(wǎng)絡(luò)中有多少個(gè)連接權(quán)值，作為學(xué)習(xí)算法的BBO中的每個(gè)棲息地就應(yīng)該有多少維。b.BBO算法適宜度函數(shù)的選取。用BBO來訓(xùn)練神經(jīng)網(wǎng)絡(luò)的最優(yōu)權(quán)值和閾值，就是為了通過改良的BBO算法強(qiáng)大的搜索性能使網(wǎng)絡(luò)的均方誤差最小化，適宜度函數(shù)【1】BBO算法訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)的流程如此圖3所示。圖4、5為傳統(tǒng)BP算法和BBO算法對(duì)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練曲線。從圖中能夠看出：在到達(dá)目的系統(tǒng)誤差10-2時(shí)BBO算法迭代次數(shù)為653次，要到達(dá)一樣的誤差時(shí)，BP算法需要1194次。在知足一樣系統(tǒng)誤差的條件下，BBO算法所需訓(xùn)練時(shí)間為10.14s,而BP算法所需訓(xùn)練時(shí)間為36.18s.【圖3圖4圖5】經(jīng)計(jì)算，利用BBO算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)的均方差為0.3013,小于利用BP算法訓(xùn)練網(wǎng)絡(luò)的均方差0.7658,可見BBO算法不僅提高了神經(jīng)網(wǎng)絡(luò)的信息處理速度，并且提高了網(wǎng)絡(luò)的訓(xùn)練精度。3.4故障診斷結(jié)果分析利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對(duì)抽油機(jī)進(jìn)行故障診斷，對(duì)測(cè)試樣本數(shù)據(jù)〔表3〕進(jìn)行診斷仿真實(shí)驗(yàn)。假定將大于0.5的輸出節(jié)點(diǎn)值近似看作1,將小于0.5的輸出節(jié)點(diǎn)值近似看作為0,〔100〕、〔010〕、〔001〕分別對(duì)應(yīng)著正常、雙凡爾漏失和抽油桿脫落，診斷結(jié)果見表4.【表4】從表4能夠看出，基于BBO的神經(jīng)網(wǎng)絡(luò)的診斷數(shù)據(jù)接近于理想值，故障區(qū)分度較高，因而能夠得出結(jié)論：利用BBO算法優(yōu)化神經(jīng)網(wǎng)絡(luò)應(yīng)用于抽油機(jī)故障診斷中是可行的，并具有很強(qiáng)的準(zhǔn)確性。4結(jié)束語闡述了生物地理優(yōu)化算法的優(yōu)化原理和算法流程，并將其與其他群智能算法進(jìn)行比擬，通過仿真實(shí)驗(yàn)得出，BBO算法具有很強(qiáng)的優(yōu)勢(shì)性與良好的發(fā)展空間。將生物地理優(yōu)化算法應(yīng)用于神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練中，克制了BP算法訓(xùn)練時(shí)間較長(zhǎng)并容易陷入局部收斂的缺點(diǎn)，而且能更快速地收斂于目的最優(yōu)解。將訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對(duì)抽油機(jī)常見故障進(jìn)行診斷，診斷結(jié)果表示清楚：該方式方法是可行的，并且具有良好的準(zhǔn)確性和有效性，具有廣泛的應(yīng)用前景。參考文獻(xiàn)[1]石純芳。基于神經(jīng)網(wǎng)絡(luò)的高溫壓力管道渦流檢測(cè)信號(hào)的溫度補(bǔ)償研究[J].化工機(jī)械，2020,39〔2〕:174~176.[2]李偉，吳超群，王艷茹，等?；谛〔ㄉ窠?jīng)網(wǎng)絡(luò)的FRP復(fù)合材料損傷聲發(fā)射信號(hào)辨別[J].化工機(jī)械，2018,38〔3〕:294~297.[3]蔣瓊，李訓(xùn)銘。優(yōu)化的BP網(wǎng)絡(luò)在抽油井故障診斷中的應(yīng)用研究[J].計(jì)算機(jī)與當(dāng)代化，2018,〔12〕: