全球优化的自学salp swarm算法及其在多层感知模型训练中的应用

科学领域:

• 计算智能是一种计算智能.
• 优化算法 优化算法
• 机器学习 机器学习

背景情况:

• 群体智能算法在优化方面是有效的,但由于固定的搜索策略,它们与复杂的,未知的景观作斗争.
• 现有的方法缺乏适应性,限制了它们应用于各种现实世界的优化挑战.

研究的目的:

• 为Salp Swarm算法 (SSA) 引入一种新的自学机制,创建自学Salp Swarm算法 (SLSSA).
• 增强群众智能,以提高在各种复杂的优化问题上的性能.
• 开发一个高效的黑子优化器,适用于各种各样的问题.

主要方法:

• 通过整合四种不同的搜索策略,包括多种食物来源策略,开发了SLSSA.
• 实施了一种自学机制,根据解决方案质量动态调整执行每个搜索策略的概率.
• 提出了一种自动参数设置方法,以优化SLSSA的性能,而无需试错.

主要成果:

• 在CEC2014基准函数上,SLSSA与最先进的算法相比表现优异.
• 该算法在训练UCI数据集上的多层感知子分类器时实现了更高的准确性,稳定性和更快的融合速度.
• 与原来的SSA相比,SLSSA显示出显著的性能增长,计算时间仅略有增加.

结论:

• 拟议的SLSSA有效地解决了传统集群智能算法的局限性.
• 对于各种应用,包括机器学习,SLSSA提供了一个强大而高效的优化工具.
• 自学机制和自动参数调整显著提高了优化能力.