基于档案的冠状病毒群体免疫算法,用于优化神经网络中的权重

科学领域:

• 人工智能的人工智能
• 机器学习 机器学习
• 优化算法 优化算法

背景情况:

• 对前神经网络的监督学习,特别是多层感知子 (MLP),严重依赖于权重和偏差的最佳配置.
• 传统的MLP培训的梯度下降方法面临着局部最佳和缓慢的融合等挑战.
• 在复杂的优化问题中,元启发式算法提供了一种替代方法来克服梯度下降的限制.

研究的目的:

• 使用外部存档策略增强冠状病毒群体免疫优化器 (CHIO),创建 ACHIO 算法.
• 应用增强的ACHIO算法来优化MLP神经网络的控制参数 (权重和偏差).
• 评估ACHIO在提高MLP在各种数据集中的分类准确度方面的有效性.

主要方法:

• 在CHIO算法中集成了一个外部存档策略,以引导人口在进化过程中朝着更有前途的搜索区域发展.
• 改进的算法被称为ACHIO,用于训练MLP模型进行分类任务.
• ACHIO的表现与六个已建立的群集智能算法和使用15个不同的分类数据集的原始CHIO进行了基准测试.

主要成果:

• 拟议的ACHIO算法表现出卓越的性能,在十五个数据集中的十个数据集上,其分类准确度高于比较方法.
• 在剩余的数据集上,ACHIO提供了极具竞争力的结果,表明其稳定性和有效性.
• 在 ACHIO 中的外部存档策略成功地改善了 MLP 参数调整的优化过程.

结论:

• 增强的CHIO算法 (ACHIO) 是优化MLP参数的强大工具,可以显著提高分类准确性.
• ACHIO为训练神经网络的传统方法提供了一个有希望的替代方案,特别是在易于局部最佳化的场景中.
• 整合外部存档策略是一种有效的技术,可以提高机器学习应用中的元启发算法性能.