用蛙跳算法优化RBF神经网络参数的研究

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (28): 59-61.

用蛙跳算法优化RBF神经网络参数的研究

薛升翔1，贾振红1，杨杰2，庞韶宁3

1.新疆大学信息科学与工程学院，乌鲁木齐 830046
2.上海交通大学图像处理与模式识别研究所，上海 200240
3.新西兰奥克兰理工大学知识工程与开发研究所，新西兰奥克兰 1020

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-10-01 发布日期:2011-10-01

Using shuffled frog leaping algorithm to optimize the parameters of radial basis function neural network

XUE Shengxiang1，JIA Zhenhong1，YANG Jie2，PANG Shaoning3

1.School of Information Science and Engineering，Xinjiang University，Urumqi 830046，China
2.Institute of Image Processing and Pattern Recognition，Shanghai Jiaotong University，Shanghai 200240，China
3.Knowledge Engineering and Discovery Research Institute，Auckland University of Technology，Auckland 1020，New Zealand

Received:1900-01-01 Revised:1900-01-01 Online:2011-10-01 Published:2011-10-01

摘要/Abstract

摘要： 针对径向基函数（Radial Basis Functions，RBF）神经网络结构参数确定问题，提出了一种基于蛙跳算法优化RBF神经网络参数的新方法。将RBF神经网络参数组成一个多维向量，作为蛙跳算法中的参数进行优化。以适应度函数为标准，在可行解空间中搜索最优解，并对蛙跳算法进行了改进。非线性函数逼近实验结果表明，该优化算法相对标准遗传优化算法、粒子群优化算法有较小的均方误差，具有更好的逼近能力。

关键词: 蛙跳算法, 径向基函数神经网络, 非线性函数逼近, 参数优化

Abstract: In allusion to being difficult to determine the parameters of Radial Basis Functions Neural Network（RBFNN），a new method on the parameters optimization of radial basis function neural network based on Shuffled Frog Leaping Algorithm（SFLA） is proposed.The parameters of the RBFNN compose a multidimensional vector which is regarded as parameters of SFLA to optimize.According to the fitness function，the feasible sampling space is searched for the global optima，further more，the SFLA has been improved.The simulation test on nonlinear function approximation shows that compared to Genetic Algorithm（GA） and Particle Swarm Optimization（PSO） the new method has less mean square error and better approximation ability.

Key words: shuffled frog leaping algorithm, Radial Basis Functions Neural Network（RBFNN）, nonlinear function approximation, parameters optimization

薛升翔1，贾振红1，杨杰2，庞韶宁3. 用蛙跳算法优化RBF神经网络参数的研究[J]. 计算机工程与应用, 2011, 47(28): 59-61.

XUE Shengxiang1，JIA Zhenhong1，YANG Jie2，PANG Shaoning3. Using shuffled frog leaping algorithm to optimize the parameters of radial basis function neural network[J]. Computer Engineering and Applications, 2011, 47(28): 59-61.

[1]	高一锴，彭力，徐龙壮. 改进AFSA算法优化TWSVM的火焰识别方法[J]. 计算机工程与应用, 2021, 57(8): 204-213.
[2]	张水平，王丽娜. 果蝇优化算法的进展研究分析[J]. 计算机工程与应用, 2021, 57(6): 22-29.
[3]	张琳，汪廷华，周慧颖. 基于群智能算法的SVR参数优化研究进展[J]. 计算机工程与应用, 2021, 57(16): 50-64.
[4]	巫光福，陈颖. 花授粉算法研究与应用综述[J]. 计算机工程与应用, 2021, 57(15): 30-41.
[5]	胡春阳，姜平，周根荣. 改进蚁群算法在AGV路径规划中的应用[J]. 计算机工程与应用, 2020, 56(8): 270-278.
[6]	李道全，王雪，于波，黄泰铭. 基于一维卷积神经网络的网络流量分类方法[J]. 计算机工程与应用, 2020, 56(3): 94-99.
[7]	梁华刚，张志伟，王亚茹. 自适应Gabor卷积核编码网络的表情识别方法[J]. 计算机工程与应用, 2020, 56(10): 149-156.
[8]	王丽婷，张金鑫，张金华. 乌鸦搜索算法在SVM参数优化中的应用[J]. 计算机工程与应用, 2019, 55(21): 214-219.
[9]	邓辉，罗倩，王岩. 基于IMF能量矩和Bayes-LSSVM的滚动轴承诊断[J]. 计算机工程与应用, 2019, 55(17): 156-161.
[10]	陈业海，郑日荣，许亮. 基于进化算法的多通信半径DV-Hop改进定位算法[J]. 计算机工程与应用, 2019, 55(1): 89-95.
[11]	李志强1，朱望纯1，张伟昆1，2. 区域停车诱导信息发布板的选址优化算法[J]. 计算机工程与应用, 2018, 54(8): 242-246.
[12]	李婕1，李昊2，赵新蕖1. 免疫遗传算法的混合动力汽车多目标优化[J]. 计算机工程与应用, 2018, 54(4): 237-243.
[13]	林诗洁1，2，董晨1，2，陈明志1，2，张凡1，2，陈景辉1，2. 新型群智能优化算法综述[J]. 计算机工程与应用, 2018, 54(12): 1-9.
[14]	温博文，董文瀚，解武杰，马骏. 基于改进网格搜索算法的随机森林参数优化[J]. 计算机工程与应用, 2018, 54(10): 154-157.
[15]	丁胜1，2，3，张进2，3，李波2. 改进的MEA进行特征选择及SVM参数同步优化[J]. 计算机工程与应用, 2017, 53(8): 120-125.