概括
研究人员开发了一种增强的灰狼优化 (ACD-GWO) 算法,以优化合体神经网络,以准确快速地预测光子晶纤 (PCF) 的光学特性.
科学领域:
- 光学和光子学 在光学和光子学.
- 计算智能是一种计算智能.
- 材料科学 材料科学 材料科学
背景情况:
- 光子晶体纤维 (PCF) 具有独特的光学特性,由其结构特征决定.
- 准确预测这些属性对于光学设备的设计和优化至关重要.
- 现有的方法在超参数和预测模型的架构调整方面可能缺乏效率.
研究的目的:
- 引入一个增强的灰狼优化算法 (ACD-GWO),用于自动化超参数和架构调整.
- 开发一个集体神经网络,能够准确和快速预测PCF光学特性.
- 为了证明拟议方法的优越性比传统的机器学习模型和数值模拟.
主要方法:
- 实施一个增强的灰狼优化算法 (ACD-GWO),结合自适应策略,混乱映射和基于维度的方法.
- 使用ACD-GWO优化框架进行训练的集合神经网络模型的开发.
- 与随机森林和feedforward神经网络模型进行比较分析,以及数值模拟软件.
主要成果:
- ACD-GWO优化的合并神经网络在预测PCF光学属性 (有效折射率,有效模式面积,分散,限制损失) 中取得了高准确性,平均平方误差为3.78 × 10−6.
- 显著减少计算时间:训练2.27分钟,预测0.08秒.
- 与随机森林和前神经网络相比,其表现优越.
结论:
- ACD-GWO算法有效地优化了合并神经网络,用于预测PCF光学特性.
- 开发的模型为传统的数值模拟提供了更快,更准确的替代方案.
- 这一进步为光学设备设计,性能优化和光学研究开辟了新的途径.
