摘 要：粒子群優(yōu)化算法是一種基于群智能的隨機(jī)優(yōu)化算法，該種算法和遺傳算法相比，具有需要用戶確定的參數(shù)較少，優(yōu)化算法簡單的優(yōu)點(diǎn)。因此，粒子群優(yōu)化算法一經(jīng)提出，就受到了眾多領(lǐng)域的廣泛關(guān)注，目前，該種算法廣泛的應(yīng)用在模糊系統(tǒng)、模式分類、神經(jīng)網(wǎng)絡(luò)訓(xùn)練、函數(shù)優(yōu)化以及其他的眾多領(lǐng)域中。文章分析了粒子群優(yōu)化算法的基本原理，探析了粒子群優(yōu)化算法在計(jì)算機(jī)神經(jīng)網(wǎng)絡(luò)中的應(yīng)用，并且對粒子群優(yōu)化算法進(jìn)行了改進(jìn)。

關(guān)鍵詞：計(jì)算機(jī)神經(jīng)網(wǎng)絡(luò)；粒子群優(yōu)化算法；應(yīng)用

中圖分類號：TP183

粒子群優(yōu)化算法是一種相對簡單、有效的隨機(jī)全局優(yōu)化技術(shù)，通過對粒子群優(yōu)化算法進(jìn)行相應(yīng)的改進(jìn)，以此確保其收斂性，然后再將粒子群優(yōu)化算法應(yīng)用到神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練中，能夠更有效的找出最優(yōu)化解。粒子群優(yōu)化算法和遺傳算法相比，粒子群優(yōu)化算法并沒有遺傳算法復(fù)雜的交叉、變異以及編碼，而是對粒子所在解空間的具體位置進(jìn)行搜索，不需要對眾多的參數(shù)進(jìn)行調(diào)整，其收斂速度相對較快。

1 粒子群優(yōu)化算法的基本原理以及優(yōu)化改進(jìn)

1.1 粒子群吧優(yōu)化算法的基本原理

PSO中，每一個(gè)優(yōu)化問題的解都是搜集空間中的一個(gè)“粒子”的狀態(tài)，粒子群優(yōu)化算法是對群體的全局進(jìn)行考慮，通過迭代搜尋選取最優(yōu)值，通過將系統(tǒng)轉(zhuǎn)化成一組隨機(jī)的例子，由于例子在解空間追隨最優(yōu)的例子進(jìn)行湊所，所以粒子群優(yōu)化算法是一種具有全局尋優(yōu)能力的優(yōu)化工具。例子群優(yōu)化算法的基本原理表現(xiàn)為：假設(shè)在一個(gè)D維的目標(biāo)搜集中間中，由N個(gè)不同的粒子組成了一個(gè)特定的群體，其中第i個(gè)粒子表示成其在這個(gè)D維空間中的向量（xi），也就是該粒子在D為空間中的位置，每一個(gè)粒子的位置都存在一個(gè)特定的解，通過將xi帶入到相應(yīng)的目標(biāo)函數(shù)中，通過適當(dāng)?shù)暮瘮?shù)計(jì)算就能得到其適應(yīng)度值，然后根據(jù)該xi適應(yīng)度值的大小，以此衡量xi的優(yōu)劣程度。其中，第i個(gè)粒子飛行的速度表示D維中的另一個(gè)向量，表示為vi，將在D維空間中搜索到的第i個(gè)粒子的最有位置記錄為pi，則整個(gè)粒子群搜索到的最有位置pi的粒子群優(yōu)化算法表現(xiàn)為：公式一：vi=ci+c1r1（pi-xi）+c2r2（pg-xi）；公式二：vik+1=vik+c1×rand（）×（pbest-xik）+c2×rand（）×（gbest-xik）；公式三：xi=xi+vi，其中i=1，2，…N；r1和r2為學(xué)習(xí)因子，rand（）表示介于[0，1]之間的隨機(jī)常數(shù)，c1和c2表示為非負(fù)常數(shù)。其中迭代的終止條件是根據(jù)選擇的最大迭代次數(shù)決定的，表示的為第i個(gè)李在迄今為止搜索到的最優(yōu)化位置應(yīng)該滿足的適應(yīng)度的最小值。

從社會學(xué)角度方面來說，粒子群優(yōu)化算法公式中的表示的是粒子的記憶項(xiàng)以及自身認(rèn)知項(xiàng)，能夠表示上次速度的方向以及大小對粒子造成的影響，還能夠?qū)?dāng)前的指向粒子當(dāng)作自身的最優(yōu)化矢量，以此表示粒子的動作來源于自身的經(jīng)驗(yàn)，能夠反映粒子之間的協(xié)同作用以及知識共享，粒子能夠根據(jù)粒子群中相鄰粒子的最好經(jīng)驗(yàn)，然后再結(jié)合自身的經(jīng)驗(yàn)，以此來決定自身的下一步運(yùn)動，從而形成PSO的標(biāo)準(zhǔn)形式。

1.2 粒子群優(yōu)化算法的改進(jìn)

粒子群粒子群優(yōu)化算法需要用戶確定的參數(shù)相對較少，并且其操作相對簡單，因此該種方法使用起來非常方便，但是，由于粒子群優(yōu)化算法容易陷入局部極值點(diǎn)，導(dǎo)致搜索的收斂性相對較低，并且粒子群優(yōu)化算法的收斂性分析已經(jīng)收到眾多學(xué)者的重視，因此，為了增強(qiáng)粒子群優(yōu)化算法的收斂性，可以將抗體多樣性保持機(jī)制引入到粒子群優(yōu)化算法中，其步驟表現(xiàn)為：首先，確定參數(shù)值，記憶粒子個(gè)數(shù)M，即常數(shù)因子c1和c2粒子群的個(gè)數(shù)N，粒子的濃度概率選擇閥值Pi，其隨機(jī)產(chǎn)生的N個(gè)粒子xi的飛行速度表示為vi，以此計(jì)算粒子的適應(yīng)度函數(shù)值；根據(jù)公式計(jì)算粒子的選擇概率，將粒子群體中前M個(gè)最大適應(yīng)度的粒子當(dāng)作記憶細(xì)胞進(jìn)行儲存，將概率大于Pi的粒子根據(jù)相應(yīng)的方法進(jìn)行計(jì)算，從而把M個(gè)記憶細(xì)胞替換成適應(yīng)度最差的M個(gè)粒子，以此形成全新的粒子群，最終判斷其能付滿足相應(yīng)的選擇條件，如果滿足輸出適應(yīng)度值最好的要求，則選定該粒子。由此可見，通過上述的方法對粒子群優(yōu)算法進(jìn)行改進(jìn)，能夠保證粒子群優(yōu)化算法的精確性，并且通過實(shí)踐證明，經(jīng)過改進(jìn)后的粒子群優(yōu)化算法，其計(jì)算機(jī)的仿真結(jié)果顯示，該種粒子群優(yōu)化算法的收斂速度明顯優(yōu)于沒有改進(jìn)的粒子群優(yōu)化算法的收斂速度。

2 粒子群優(yōu)化算法在計(jì)算機(jī)審計(jì)網(wǎng)絡(luò)中的應(yīng)用

計(jì)算機(jī)神經(jīng)網(wǎng)絡(luò)能夠模擬大腦的思維能力，然后通過對各種數(shù)據(jù)進(jìn)行分析，從而建立其相應(yīng)的數(shù)學(xué)模型，計(jì)算機(jī)神經(jīng)網(wǎng)絡(luò)中除了包含許多處理器以外，還包含了許多與人腦神經(jīng)相似的節(jié)點(diǎn)，這些節(jié)點(diǎn)按照一定的規(guī)律進(jìn)行連接。如果將計(jì)算機(jī)神經(jīng)網(wǎng)絡(luò)中的每一個(gè)過程都細(xì)分為若干個(gè)微程序，并且將所有的微程序都交付于處理器進(jìn)行處理，那么處理器處理所有的微程序的過程，就是一條微程序的處理流水線，這樣計(jì)算機(jī)處理信息的速度也將會顯著的提高。粒子群優(yōu)化算法在計(jì)算機(jī)神經(jīng)網(wǎng)絡(luò)中的應(yīng)用，包括的內(nèi)容有組合優(yōu)化、參數(shù)優(yōu)化、神經(jīng)網(wǎng)絡(luò)訓(xùn)練、學(xué)習(xí)算法、網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)和傳遞函數(shù)、鏈接權(quán)重等，通過把個(gè)體轉(zhuǎn)化成微粒，其中包括計(jì)算機(jī)神經(jīng)網(wǎng)絡(luò)中的所有能夠用到的參數(shù)，然后經(jīng)過一些列的復(fù)雜、重復(fù)的程序，最終達(dá)到最終的訓(xùn)練目標(biāo)。相對于傳統(tǒng)的神經(jīng)訓(xùn)練法來說，由于BP算法需要可微的函數(shù)以及梯度信息等大量的數(shù)據(jù)，只有通過大量的計(jì)算才能得到相應(yīng)的訓(xùn)練結(jié)果，其運(yùn)行難度較大、程序相對復(fù)雜，而采用離子群優(yōu)化算法，其處理信息的速度顯著的提升，能夠有效的克服其運(yùn)行效率低的問題。粒子群優(yōu)化算法在計(jì)算機(jī)神經(jīng)系統(tǒng)網(wǎng)絡(luò)中的應(yīng)用，主要表現(xiàn)在兩個(gè)方面：其一，粒子區(qū)優(yōu)化算法在參數(shù)優(yōu)化中的應(yīng)用，能夠通過解決計(jì)算機(jī)神經(jīng)網(wǎng)絡(luò)中的各種離散型問題，從而進(jìn)行參數(shù)優(yōu)化；其二，粒子群優(yōu)化算法在組合優(yōu)化中的應(yīng)用，其中典型的應(yīng)用表現(xiàn)為其在工程經(jīng)濟(jì)問題中的應(yīng)用，其能夠通過將各種資源進(jìn)行科學(xué)的組合，通過設(shè)置一定的約束條件對這些組合進(jìn)行排序，通過不斷的嘗試最終能夠找到最有效的解決方案，然后合理的利用所有的組合實(shí)現(xiàn)經(jīng)濟(jì)效益的最大化。此外，粒子群優(yōu)化算法不僅能夠應(yīng)用在計(jì)算機(jī)神經(jīng)網(wǎng)絡(luò)中，還能夠應(yīng)用在更多的領(lǐng)域中，例如軟件編輯、游戲開發(fā)、電力系統(tǒng)等領(lǐng)域中。

3 結(jié)束語

文章對計(jì)算機(jī)神經(jīng)網(wǎng)絡(luò)中粒子群優(yōu)化算法的應(yīng)用進(jìn)行了研究，對粒子群優(yōu)化算法進(jìn)行了相應(yīng)的改進(jìn)，有效的提高了粒子群優(yōu)化算法的收斂速度。將粒子群優(yōu)化算法應(yīng)用在計(jì)算機(jī)神經(jīng)網(wǎng)絡(luò)中，其操作相對簡單，比較容易實(shí)現(xiàn)，并且其還能夠更快的收斂于最優(yōu)解，有效的克服了傳統(tǒng)遺傳算法缺點(diǎn)。因此，在計(jì)算機(jī)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練中，廣泛的推廣和應(yīng)用粒子群優(yōu)化算法具有很大的現(xiàn)實(shí)意義。

參考文獻(xiàn)：

[1]丁玲，范平，聞彬.粒子群優(yōu)化算法在計(jì)算機(jī)神經(jīng)網(wǎng)絡(luò)中的應(yīng)用[J].理論與算法，2013（17）：39-41.

[2]曹大有.一種免疫粒子群優(yōu)化算法及在小波神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)中的應(yīng)用[J].計(jì)算機(jī)應(yīng)用于軟件，2009（06）：189-192.

[3]劉愛軍，楊育，李斐.混沌模擬退火粒子群優(yōu)化算法研究及應(yīng)用[J].浙江大學(xué)學(xué)報(bào)（工學(xué)版），2013（10）：1722-1729.

[4]虞斌能，焦斌，顧幸生.改進(jìn)協(xié)同粒子群優(yōu)化算法及其在Flow Shop調(diào)度中的應(yīng)用[J].華東理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2009（03）：468-474.

[5]劉寶寧，章衛(wèi)國，李廣文.一種改進(jìn)的多目標(biāo)粒子群優(yōu)化算法[J].北京航空航天大學(xué)學(xué)報(bào)，2013（04）：458-473.

作者簡介：張小軍（1980.01-），男，河南人，講師，研究方向：云計(jì)算，數(shù)據(jù)挖掘，通信技術(shù)。

作者單位：河南教育學(xué)院 信息技術(shù)系，鄭州 450000