差分进化算法的置信规则库参数优化

发布时间：2021-02-25 16:28

　　在当前对置信规则库（BRB）的研究中,前提属性、输出置信度和规则库大小等参数都由专家给出,会使BRB参数受专家知识的局限而不准确,提出了一种基于改进的差分进化算法（IDE）的对置信规则库的参数进行优化的方法。在IDE中,自适应选择变异策略来提高执行效率,且在变异部分加入扰动,并加入了局部搜索来平衡差分进化全局与局部搜索的能力。最后,使用中国某烟厂采取的水松纸透气度检测数据进行了实验验证。实验结果表明,所提出的方法对BRB的优化是有效的。 

【文章来源】：控制工程. 2019,26(03)北大核心

【文章页数】：5 页

【部分图文】：

BRB系统参数优化的基本思想和过程Fig.1ParameteroptimizationofBRB

期张勤莉等：差分进化算法的置信规则库参数优化·559·实验结果的误差对比见表1。表1误差表Tab.1Errortable算法maxminavestdFMINCAN0.36750.00020.04420.0427DE0.39380.00040.04690.0418ADE0.32390.00020.03870.0414ADE-V10.31470.00020.03410.0395IADE0.30010.00010.03130.0363通过表1的效用统计对比各个优化方法的相对误差均值和方差，IADE均小于其他方法。这说明IADE较其他方法的计算精度更高，误差分布更加均匀，说明模型对数据的拟合能力较为稳定。另外，由图3可以看出，IADE比其他算法的进化效率要高，每一步对DE的改进都是有效的，且进化曲线更平滑，说明算法鲁棒性更好。表1中max表示最大相对误差，min表示最小相对误差，ave表示平均相对误差，std表示标准差。为了能更清楚地观察IADE相较于DE算法的改进效果，将各算法在迭代更新过程中的相对误差作比较，如图3所示。图3算法进化曲线Fig.3Evolutioncurveofalgorithms由以上实验数据可以表明，本文所提BRB模型在参数训练后能够较好地拟合透气度的真实值。IADE优化的BRB模型对水松纸的透气度拟合平均相对误差为0.0313，低于工业要求标准0.05，说明模型能够在允许误差范围内对透气度进行较为准确的拟合，具有一定的工业意义。5结论针对置信规则库中参数训练的问题，本文提出了一种改进的差分进化算法对BRB参数进行学习优化。本文提出的一种改进的差分进化算法，在运算过程中可自适应进行选择合适的变异策略，以保证种群进化小路，并可在运算过程中产生扰动，以增加种群的多样性，此外还可对最优解邻域进行局?

【参考文献】：
硕士论文
[1]图像处理技术在透气度检测中的应用研究[D]. 刘守锋.昆明理工大学 2007



本文编号：3051238