智能优化算法BFO-BP网络设计

1.问题的描述

采用BFO算法训练神经网络时，首先应将特定结构中所有神经元间的连接权值编码成实数码串表示的个体。假设网络中包含M个优化权值（包括阈值在内），则每个个体将由M个权值参数组成的一个M维向量来表示。例如，给定一个网络结构为6-6-1的BP神经网络，如图7.4所示。

图7.4　简单BP神经网络

网络中包括6个连接权，分别是｛w31，w32，w41，w42，w53，w54｝，令x1=w31，x2=w32，x3=w41，x4=w42，x5=w53，x6=w54，则细菌群中的个体i可以用一个六维向量表示，即

此时，上式细菌个体结构中的每一个元素，即代表神经网络中的一个权值。

其中，S是细菌的总个数。

2.菌群初始化

根据细菌群规模，按照上述个体结构随机产生一定数目的个体（细菌）组成种群，其中不同的个体代表神经网络的一组不同权值。(www.xing528.com)

3.神经网络的训练和细菌的评价

将细菌群中每一个体的分量映射为网络中的权值，从而构成一个神经网络。对每一个体对应的神经网络，输入训练样本进行训练。网络权值的优化过程是一个反复迭代的过程。通常为了保证所训练的神经网络具有较强的泛化能力，在网络的训练过程中，往往将给定的样本空间分为两部分：一部分作为训练样本，称为训练集；另一部分作为测试样本，称为测试集。而在权值优化过程中，每进行一次训练，都要对给定的样本集进行分类，以保证每次训练时采用的训练集均不相同。计算每一个网络在训练集上产生的均方误差（MSE），以此作为目标函数。

4.BFO—BP网络模型计算

Step1利用BP算法完成每一个体对应的神经网络权值的优化训练。

Step2计算每一网络的MSE作为网络的适应值。

Step3复制操作：清除适应值较差的半数网络，复制适应值较优的半数网络，且复制的子代网络与父代网络具有相同的结构和网络权值。

Step4迁徙操作：为保持网络多样性，以一定概率ped选择部分网络重新赋予初始权值。

Step5循环计算，即经过指定次数的训练、复制和迁徙，将整个网络模型中具有最优适应值（或最小MSE）的网络权值保存。

5.算法的终止条件

当目标函数值（MSE）小于给定误差时，算法停止。