基于混合群智能算法优化BP神经网络的粮食产量预测

发布时间：2022-09-28 12:44

　　针对前馈神经网络预测粮食产量的方法易陷入局部最优的问题,提出一种基于粒子群算法和人工蜂群算法的改进BP神经网络模型.利用粒子群优化算法和人工蜂群算法在全局搜索能力上的不同优势,结合两者对BP神经网络的权值和阈值进一步优化,以提升粮食产量预测模型的准确性与鲁棒性.给出基于粒子群和人工蜂群混合的ABPSO算法的具体实现,并选择1979年至2012年我国粮食的产量及影响其产量的8项因素作为数据集进行试验.结果表明:改进的BP神经网络能够较好地预测国内近几年的粮食产量变化趋势;相比未优化的BP模型,新算法预测误差平均值由847 780 t降低至240 320 t,误差范围由1 894 200 t降低至586 800 t. 

【文章页数】：7 页

【文章目录】：
1 群智能及相关技术描述
    1.1 粒子群算法
    1.2 人工蜂群算法
    1.3 BP神经网络
2 混合群智能算法优化的BP神经网络
    2.1 改进的混合优化算法
        2.1.1 PSO惯性权重的改进
        2.1.2 ABPSO混合群智能优化算法
    2.2 基于改进的混合优化算法的BPNN
3 试验及讨论
    3.1 数据集的选取与建立
    3.2 预测结果与比较
        3.2.1 BP神经网络预测
        3.2.2 群智能算法改进的BP神经网络预测
4 结 论


【参考文献】：
期刊论文
[1]基于维度近邻关系扩散的改进粒子群优化算法[J]. 易云飞,林郭隆,董文永.  重庆邮电大学学报(自然科学版). 2018(03)
[2]粒子群算法修正测距的无线传感器网络节点定位[J]. 楼国红,张剑平.  吉林大学学报(理学版). 2018(03)
[3]基于BP和SOM神经网络相结合的地震预测研究[J]. 蔡润,武震,云欢,郭鹏.  四川大学学报(自然科学版). 2018(02)
[4]面向单目标优化的集成粒子群算法[J]. 何莉,王淼,李博.  重庆邮电大学学报(自然科学版). 2017(04)
[5]粒子群优化算法的改进及数值仿真[J]. 李建平,宫耀华,赵思远,卢爱平,李盼池.  吉林大学学报(理学版). 2017(02)
[6]基于BP神经网络的DDoS攻击检测研究[J]. 杨可心,桑永胜.  四川大学学报(自然科学版). 2017(01)
[7]人工蜂群算法研究综述[J]. 秦全德,程适,李丽,史玉回.  智能系统学报. 2014(02)
[8]基于局部搜索的人工蜂群算法[J]. 刘三阳,张平,朱明敏.  控制与决策. 2014(01)
[9]粒子群优化算法中惯性权重综述[J]. 周俊,陈璟华,刘国祥,许伟龙.  广东电力. 2013(07)
[10]基于灰色马尔科夫模型的青岛市粮食产量预测[J]. 陈焕珍.  计算机仿真. 2013(05)



本文编号：3681689