【报告内容】

汇报人：王函宇

汇报单位：福建理工大学

主题：《A Parallel Integrated Learning Technique of Improved Particle Swarm Optimization and BP Neural Network and Its Application》

1、Introduction

2、Method

3、Experiment

4、Conclusion

【报告总结】

1. 待解决的问题描述

自从群体智能算法的发展以来，它在许多应用领域已被证明是有效的。

本研究提出了一种改进的粒子群优化与BPNN（反向传播神经网络）相结合的增强型集成学习技术。

通过采用多种群协同进化方法和引入一个随迭代次数动态变化惯性权重的函数，

创建了一种称为好点集自适应粒子群优化（GPSAPSO）算法。

开发并采用了将GPSAPSO算法与BPNN相结合的并行集成方法，构建了水质预测模型。

2. 相关创新方案

（1）本研究提出了一种基于好点集、自适应惯性权重和多种群协同进化策略的新型改进自适应粒子群优化算法。

（2）为了构建水质预测模型，提出了一种并行集成学习技术，该技术利用了GPSAPSO算法和BPNN。

（3）为了评估基于GPSAPSO算法和BPNN并行集成学习技术的水质预测模型，将其性能与包括TTPSO-BPNN、

NSABC-BPNN、IGSO-BPNN和CRBA-BPNN在内的四种知名算法进行了比较。

3. 实验总结

本研究引入了好点集理论，构建了具有均匀分布的初始粒子群，采用自适应惯性权重在迭代过程中动态调整惯性权重的大小，

通过多种聚类协同进化策略获得了好点集和改进的GPSAPSO算法与自适应惯性权重。通过与TTPSO、NSABC、IGSO和CRBA

算法在从二维到高维的十六个标准测试函数上进行比较，验证了GPSAPSO算法的可行性。最后，通过将GPSAPSO算法与

传统的BPNN相结合，建立了水质预测的并行集成学习模型。

4. 未来工作

考虑采用其他改进PSO算法与BPNN结合，建立更佳的水质预测并行集成学习模型，

为水质监测和管理提供更加科学的方法和依据。

报告时间：2023年12月29日19:30

腾讯会议：371 3868 6615

点我下载本讨论课相关文献或PPT吧~(提取码：iipr)