基于新型群智能优化算法的BP神经网络初始权值与偏置优化
基于新型群智能优化算法的BP神经网络初始权值与偏置优化
摘要
本文提出了一种新型群智能优化算法——自适应混沌精英蝴蝶优化算法(Adaptive Chaotic Elite Butterfly Optimization Algorithm, ACEBOA)，用于优化BP人工神经网络(BPANN)的初始权值和偏置。针对传统BP神经网络在分类任务中容易陷入局部最优、收敛速度慢等问题，ACEBOA算法通过引入混沌映射初始化、自适应惯性权重、精英引导策略等改进机制，有效提升了BP神经网络的分类性能。本文详细阐述了ACEBOA算法的原理和实现步骤，并将其应用于一个6输入5输出的三层隐含层BP神经网络分类模型。实验结果表明，与标准BP算法、粒子群优化(PSO)算法和原始蝴蝶优化算法(BOA)相比，ACEBOA-BPANN在分类准确率和收敛速度上均有显著提升。
1. 引言
BP神经网络是一种广泛应用于分类、预测等领域的多层前馈神经网络。然而，传统BP算法存在对初始权值和偏置敏感、易陷入局部极小值等缺陷。群智能优化算法因其全局搜索能力强、鲁棒性好等特点，被广泛用于优化神经网络初始参数。
本文提出的ACEBOA算法融合了混沌理论、自适应机制和精英策略，通过改进原始蝴蝶优化算法的种群初始化、位置更新方式和收敛机制，显著提升了算法的全局探索和局部开发能力。将该算法应用于BP神经网络初始参数优化，可以有效避免网络陷入局部最优，提高分类准确率。