基于群智能算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的應(yīng)用研究綜述

2024年3月24日發(fā)(作者：安全教育培訓(xùn)心得)

ISSN1009-3044

ComputerKnowledgeandTechnology

第16卷第35期(2020年12月)

電腦知識(shí)

與技術(shù)

Vol.16,No.35,

December.

2020

E-mail：************

Computer

http

KnowledgeandTechnology

電腦知識(shí)

與技術(shù)

：//

Tel：+86-551-6569

基于群智能算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用研究綜述

楊洋，陳家俊

(皖西學(xué)院電子與信息工程學(xué)院，安徽六安237012)

摘要：BP神經(jīng)網(wǎng)絡(luò)廣泛應(yīng)用于眾多實(shí)際問(wèn)題解決中，但是有一些缺點(diǎn)：容易陷入局部最小值，學(xué)習(xí)速度慢，計(jì)算精度低等。

采用群智能算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)，可行性和實(shí)用性更強(qiáng)。本文對(duì)群智能算法中的遺傳算法、蜂群算法、蟻群算法和螢

火蟲(chóng)算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)應(yīng)用進(jìn)行分析和綜述，對(duì)群智能算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的未來(lái)發(fā)展有著重要的參考價(jià)值。

關(guān)鍵詞：群體智能；BP神經(jīng)網(wǎng)絡(luò)；遺傳算法；蜂群算法；蟻群算法；螢火蟲(chóng)算法

中圖分類(lèi)號(hào)：TP311文獻(xiàn)標(biāo)識(shí)碼：A

開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）:

ReviewonApplicationofIntelligentAlgorithmtoOptimizeBPNeuralNetwork

（SchoolofElectronicsandInformationEngineeringWestAnhuiUniversity,Lu’an237012,China）

Abstract:BPneuralnetworkiswidelyudinmanypracticalproblems,butithassomedisadvantages:easytofallintolocalmini?

mumvalue,slowlearningspeed,alnetworkoptimizedbyswarmintelligencealgorithmismore

peranalyzesandsummarizestheapplicationofBPneuralnetworkoptimizedbygeneticalgorithm,

beecolonyalgorithm,antcolonyalgorithmandfireflyalgorithm,whichhasimportantreferencevalueforthefuturedevelopmentof

swarmintelligencealgorithmoptimizationBPneuralnetwork.

Keywords:swarmintelligence;neuralnetwork;geneticalgorithm;beecolonyalgorithm;antcolonyalgorithm;fireflyalgorithm

YANGYang,CHENJia-jun

文章編號(hào)：1009-3044(2020)35-0007-04

人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetworks，簡(jiǎn)寫(xiě)為ANNs）也

簡(jiǎn)稱(chēng)為神經(jīng)網(wǎng)絡(luò)（NNs）或稱(chēng)作連接模型（ConnectionModel），它

是一種模仿動(dòng)物神經(jīng)網(wǎng)絡(luò)行為特征，進(jìn)行分布式并行信息處理

的算法數(shù)學(xué)模型。這種網(wǎng)絡(luò)依靠系統(tǒng)的復(fù)雜程度，通過(guò)調(diào)整內(nèi)

部大量節(jié)點(diǎn)之間相互連接的關(guān)系，從而達(dá)到處理信息的目

[1]

的。

1986年，Rumelhant和McClelland提出了多層前饋網(wǎng)絡(luò)的

誤差反向傳播(ErrorBackPropagation)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法

[2]

。

BP神經(jīng)網(wǎng)絡(luò)的基本原理是，利用已有結(jié)果的數(shù)據(jù)對(duì)網(wǎng)絡(luò)

進(jìn)行訓(xùn)練，之后用訓(xùn)練好的網(wǎng)絡(luò)模型對(duì)未知數(shù)據(jù)樣本進(jìn)行輸出

預(yù)測(cè)

[3]

。BP神經(jīng)網(wǎng)絡(luò)因具有良好的非線性映射能力、自學(xué)習(xí)和

自適應(yīng)能力,成為目前應(yīng)用最多的神經(jīng)網(wǎng)絡(luò)之一

[4]

。

群體智能源于對(duì)以螞蟻、蜜蜂等為代表的社會(huì)性昆蟲(chóng)的群

體行為的研究，最早被用在細(xì)胞機(jī)器人系統(tǒng)的描述中。它的控

制是分布式的，不存在中心控制，群體具有自組織性

[5]

。

1989年GerardoBeni和JingWang在文章《SwarmIntelli?

gence》中第一次提出了“群體智能”這個(gè)概念

[6]

。

SI的優(yōu)點(diǎn)在于

[7]

：（1）靈活性：整個(gè)種群能夠快速適應(yīng)變化

的環(huán)境；（2）魯棒性：即使少數(shù)個(gè)體無(wú)法工作，整個(gè)種群依然能

夠正常運(yùn)轉(zhuǎn)；（3）自組織性：整個(gè)種群只需要相對(duì)較少的監(jiān)督或

自上而下的控制。

目前群智能研究主要包括智能蟻群算法、螢火蟲(chóng)算法、遺

傳算法、混合蛙跳算法、鳥(niǎo)群搜索和蜂群算法等。其中，遺傳算

法,蜂群算法,蟻群算法,螢火蟲(chóng)算法在求解實(shí)際問(wèn)題時(shí)應(yīng)用較

為廣泛。本文對(duì)這四種算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用方法進(jìn)行

研究和分析，并對(duì)各種方法存在的問(wèn)題進(jìn)行總結(jié)，列舉了各種

方法的應(yīng)用場(chǎng)景，對(duì)群智能算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用研究

有一定的參考價(jià)值。

1遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

1.1遺傳算法

遺傳算法（geneticalgorithm，GA）受生物進(jìn)化論啟發(fā)，是一

種通過(guò)模擬自然界中適者生存、優(yōu)勝劣汰的進(jìn)化過(guò)程得到待解

決問(wèn)題的最優(yōu)解的方法

[8]

。

遺傳算法對(duì)參數(shù)的編碼從多點(diǎn)進(jìn)行操作，可以有效防止搜

索過(guò)程陷于局部最優(yōu)解。BP網(wǎng)絡(luò)沿著誤差減小的最大梯度方

向調(diào)整網(wǎng)絡(luò)權(quán)值，容易陷入局部最小值。采用遺傳算法優(yōu)化

收稿日期：2020-08-12

基金項(xiàng)目：安徽省教育廳一般項(xiàng)目（KJ103762015B10）

作者簡(jiǎn)介：楊洋（1980—），女（回族），安徽六安人，講師，碩士，主要研究方向?yàn)橹悄芩惴捌鋺?yīng)用；陳家俊（1978—），女，副教授，碩

士，主要研究領(lǐng)域?yàn)橹悄芩惴捌鋺?yīng)用。

本欄目責(zé)任編輯：李雅琪

本期推薦

7

ComputerKnowledgeandTechnology

電腦知識(shí)

與技術(shù)

BP網(wǎng)絡(luò)的初始權(quán)值，

應(yīng)用現(xiàn)狀及分析

可以有效改善此問(wèn)題

[9]

。

1.2

張華偉等

[10]

提出了適用于拼焊板盒形件拉深成形壓邊力

預(yù)測(cè)的BP神經(jīng)網(wǎng)絡(luò)模型，采用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)，采用實(shí)

數(shù)編碼對(duì)個(gè)體進(jìn)行編碼，選擇輪盤(pán)賭法，并使用精英保留策略。

實(shí)驗(yàn)表明，預(yù)測(cè)誤差由原本的15.68%降至現(xiàn)在的5.08%，幅度

明顯，滿足了實(shí)際生產(chǎn)中的壓邊力預(yù)測(cè)要求。

劉宇等

[11]

提出了基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的多源信息

融合定位方法，對(duì)組合和推算定位結(jié)果向真實(shí)定位結(jié)果訓(xùn)練融

合，實(shí)驗(yàn)表明，預(yù)測(cè)均方誤差降低了約75%，融合定位較單一定

位方式，精度平均提升約47%。所提的優(yōu)化方法具有更優(yōu)的定

位性能。

王倚文等

[12]

建立了附加攝動(dòng)改正參數(shù)訓(xùn)練的GA-BPNN軌

道誤差模型（BDS），采用BDS星歷數(shù)據(jù)作為試驗(yàn)對(duì)象，結(jié)果表

明，進(jìn)行衛(wèi)星軌道解算補(bǔ)償時(shí)能提高25%-75%不等，軌道誤差

得到了有效減小，對(duì)于減少BDS系統(tǒng)級(jí)誤差有重要參考價(jià)值。

李明星等

[13]

提出了以徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)構(gòu)建實(shí)驗(yàn)設(shè)計(jì)

樣本的近似模型，然后用多目標(biāo)遺傳算法進(jìn)行數(shù)值優(yōu)化獲得防

護(hù)組件最優(yōu)方案。實(shí)驗(yàn)證明，優(yōu)化方案滿足設(shè)計(jì)要求，可以顯

著提升防雷板的防護(hù)能力。

表1遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用及分析

作者及文獻(xiàn)應(yīng)用方法應(yīng)用價(jià)值存在問(wèn)題應(yīng)用場(chǎng)景

改進(jìn)算法和動(dòng)量梯度下降法

提高了對(duì)紅白細(xì)數(shù)據(jù)量太

劉曉彤等

[14]14]

相結(jié)合，消除網(wǎng)絡(luò)在梯度下降

胞的識(shí)別準(zhǔn)確度，大，網(wǎng)絡(luò)的

尿液有形

并大大縮短了識(shí)識(shí)別速度不

成分的分

中產(chǎn)生的擺動(dòng)。

別時(shí)間。是很快

類(lèi)識(shí)別

提出一種基于GA優(yōu)化BP神存在局限

經(jīng)網(wǎng)絡(luò)的YG8硬質(zhì)合金耐磨

預(yù)測(cè)材料耐磨性

李帆等

[1515]]

正確率高，預(yù)測(cè)精

性，隱含層硬質(zhì)合金

性預(yù)測(cè)模型，取試驗(yàn)中的幾項(xiàng)

GA-BP模型輸

度大幅度提高，實(shí)

節(jié)點(diǎn)數(shù)量選耐磨性預(yù)

關(guān)鍵參數(shù)作為

入，磨損量作為輸出。

用價(jià)值較大。

擇存在不確測(cè)

定性。

采用K折交叉驗(yàn)證訓(xùn)練GA-有效減輕用戶疲個(gè)體適應(yīng)值

朱苗苗等

[16]16]

BP改進(jìn)模型，

勞，大幅提高優(yōu)化質(zhì)量有待提

CAM

風(fēng)格圖案

蠟染

數(shù)，得到代理模型。

度量均方誤差函

效率高設(shè)計(jì)

建立一級(jí)數(shù)據(jù)控制和訂正模

產(chǎn)品反演精度得計(jì)算量較

張?zhí)旎⒌?/p>

[17]17]

型，建立精度更高的大氣溫濕

到大幅度提升，數(shù)大，訓(xùn)練樣

地基微波

度反演模型

據(jù)的相關(guān)性有顯本的選取存

輻射計(jì)大

著提升在局限性

氣探測(cè)

2人工蜂群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

2.1人工蜂群算法受蜜蜂覓食行為啟發(fā)

ny）算法

2005

[18-19]

年

。通過(guò)模擬蜂群的采蜜活動(dòng)，

Karaboga等人提出了人工蜂群

用來(lái)解決高維和多目

（ArtificialBeeColo?

標(biāo)優(yōu)化問(wèn)題，

boga

快速得到局部最優(yōu)解。2007年～2008年DKara?

絡(luò)，取得良好的應(yīng)用效果

提出系統(tǒng)的蜂群算法，

[20-21]

并采用蜂群算法訓(xùn)練人工神經(jīng)網(wǎng)

CbTS

Badem

。

[22]

層，來(lái)調(diào)整深度神經(jīng)網(wǎng)絡(luò)

），包括一個(gè)或多個(gè)級(jí)聯(lián)到

提出一種基于混合人工蜂群的訓(xùn)練策略

（DNN）

softmax

（HAB?

結(jié)構(gòu)的參數(shù)。

分類(lèi)層的自動(dòng)編碼器

HABCbTS具有

更好的分類(lèi)性能，其訓(xùn)練的DNN分類(lèi)器適應(yīng)性強(qiáng)，也可用于卷

8

本期推薦

第16卷第35期(2020年12月)

積神經(jīng)網(wǎng)絡(luò)等類(lèi)似神經(jīng)網(wǎng)絡(luò)

[23]

。可應(yīng)用在模式識(shí)別、語(yǔ)音處

理、醫(yī)學(xué)等方面。

2.2應(yīng)用現(xiàn)狀及分析

徐健等

[24]

提出一種基于交叉運(yùn)算和全局搜索因子的人工

蜂群優(yōu)化

balArtificial

BP神經(jīng)網(wǎng)絡(luò)分類(lèi)方法——CGABC-BP

腦電信號(hào)進(jìn)行分類(lèi)，

BeeColony

（CrossGlo?

分類(lèi)正確率得到了提高，

andBackPropagation）。用這種方法對(duì)

使腦電信號(hào)更加

精準(zhǔn)地控制外部設(shè)備，對(duì)康復(fù)醫(yī)療等領(lǐng)域的發(fā)展有著重要的

價(jià)值。

楊粟涵等

[25]

提出了再制造物流網(wǎng)絡(luò)模型，采用蜂群算法進(jìn)

行編碼仿真，使網(wǎng)絡(luò)設(shè)施的位置和數(shù)量得到正確的結(jié)果，實(shí)驗(yàn)

表明，該模型效果很好，可行性好，并且在求解此類(lèi)復(fù)雜問(wèn)題時(shí)

人工蜂群算法的各優(yōu)越性能得到了充分發(fā)揮。

羅海艷

[26]

提出了采用三層BP神經(jīng)網(wǎng)絡(luò)算法，搭建移動(dòng)用

戶行為分析預(yù)測(cè)模型，通過(guò)黑盒測(cè)試方法，預(yù)測(cè)成功率達(dá)80%

以上。采用初始總?cè)簲?shù)為1000，進(jìn)行了收斂性測(cè)試。試驗(yàn)表

明：該模型有效地提高了移動(dòng)用戶行為分析的效率和準(zhǔn)確性，

對(duì)用戶上網(wǎng)需求的準(zhǔn)確定位以及企業(yè)競(jìng)爭(zhēng)力的大力提升具有

一定的應(yīng)用價(jià)值。

文祝青等

[27]

提出了一種基于ABC-BP神經(jīng)網(wǎng)絡(luò)的指紋識(shí)別

算法，不斷地訓(xùn)練指紋的特征點(diǎn)坐標(biāo)的數(shù)值，獲得最優(yōu)的數(shù)據(jù)，

實(shí)驗(yàn)表明，該算法獲取了完整的有效的指紋識(shí)別結(jié)果，對(duì)指紋

系統(tǒng)的精確識(shí)別具有很大的價(jià)值。

表2蜂群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用及分析

作者及文獻(xiàn)應(yīng)用方法應(yīng)用價(jià)值存在問(wèn)題應(yīng)用場(chǎng)景

在ABC中引入自適應(yīng)變預(yù)測(cè)記過(guò)誤差減

選取了歷史交

黃恩潭等

[2828]]

異操作和選擇、交叉與變小，精確度提高，

通流量數(shù)據(jù)作

異操作，使用擦?xí)鴮?duì)短時(shí)獲得了良好的預(yù)

為研究數(shù)據(jù)，沒(méi)

短時(shí)交通

交通流進(jìn)行預(yù)測(cè)測(cè)效果。

有考慮更多的

流預(yù)測(cè)

實(shí)際因素

提出了NABC，對(duì)多點(diǎn)位對(duì)降水預(yù)報(bào)提高

如何設(shè)置更好

李曉靜

[29]29]

置進(jìn)行同步更新，根據(jù)搜了其精確度，減

的參數(shù)，以充分

索進(jìn)度改變自適應(yīng)參數(shù)。小了誤差

發(fā)揮各自的優(yōu)

降水預(yù)報(bào)

點(diǎn)

建立入侵檢測(cè)模型，實(shí)時(shí)

提高了入侵檢測(cè)

楊輝

[30]30]

檢測(cè)云計(jì)算各種各樣的

精確度和檢測(cè)速收斂速度有待云計(jì)算入

攻擊行為。

度，進(jìn)一步保證進(jìn)一步提高侵檢測(cè)

環(huán)境安全

建立雙隱含層模型，對(duì)黃

水質(zhì)評(píng)價(jià)均方誤

差小，收斂速度

需要更多年份

楊咪等

[3131]]

河水系2012年監(jiān)測(cè)數(shù)據(jù)

快結(jié)果穩(wěn)定可

的測(cè)試數(shù)據(jù)，以水質(zhì)評(píng)價(jià)

作水質(zhì)評(píng)價(jià)。

靠。

規(guī)避特殊性

3蟻群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

3.1蟻群算法

蟻群算法（AntColonyOptimization，ACO）是一種基于種群

尋優(yōu)的啟發(fā)式搜索算法，能夠優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，

通過(guò)正反饋和分布式協(xié)作來(lái)實(shí)現(xiàn)全局最優(yōu)，避免陷入局部

最優(yōu)

[32]

。

3.2應(yīng)用現(xiàn)狀及分析

王巖雪

[33]

提出了一種蟻群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的政務(wù)云網(wǎng)絡(luò)

本欄目責(zé)任編輯：李雅琪

第16卷第35期(2020年12月)

安全態(tài)勢(shì)預(yù)測(cè)模型，改進(jìn)算法的信息素更新規(guī)則，并將優(yōu)化的

權(quán)值和閾值用于BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練和預(yù)測(cè)。實(shí)驗(yàn)表明，該模型

在網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)中，顯著地提高了其收斂速度和預(yù)測(cè)

精度。

王勃等

[34]

提出一種BP神經(jīng)網(wǎng)絡(luò)的RPROP混合算法，合并

處理所有海量信息中具有相同關(guān)系的數(shù)據(jù)，去除相同項(xiàng)，迭代

次數(shù)改善明顯，實(shí)驗(yàn)表明，該算法大力提高了網(wǎng)絡(luò)分類(lèi)正確率

和運(yùn)行的效率，具有一定的實(shí)用價(jià)值。

BP

曾植等

[35]

提出組合蟻群算法(CombinedACO，CACO)優(yōu)化

系統(tǒng)與

神經(jīng)網(wǎng)絡(luò)，

MAX-MIN

限制信息素軌跡量值域范圍，

螞蟻系統(tǒng)互相結(jié)合，驗(yàn)證表明，

把精英策略的螞蟻

改進(jìn)的算法提

高了變壓器潛伏性故障診斷的準(zhǔn)確性和可靠性，對(duì)變壓器故障

診斷有重大的意義。

唐錫雷

[36]

提出了蟻群優(yōu)化神經(jīng)網(wǎng)絡(luò)的船舶排水量估計(jì)方

法，在估算模型中輸入定點(diǎn)水域密度系數(shù)，估算出船舶排水量。

實(shí)驗(yàn)表明，該方法能精確有效地提高船舶排水量的估算水平。

表3蟻群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用及分析

作者及文獻(xiàn)應(yīng)用方法應(yīng)用價(jià)值存在問(wèn)題應(yīng)用場(chǎng)景

采樣于SantaCruz盆地海底采樣數(shù)據(jù)

多波束及底質(zhì)，對(duì)三種

預(yù)測(cè)平均誤差大

少，三種底質(zhì)

秦浩森等

[37]37]

底質(zhì)類(lèi)型基巖、泥質(zhì)

幅度下降，底質(zhì)

分類(lèi)正確率明顯

比例不平衡，

海底底質(zhì)

砂、砂質(zhì)泥分別進(jìn)行分

聚類(lèi)分析

提高

預(yù)測(cè)穩(wěn)定性待

類(lèi)訓(xùn)練提高

提出了改進(jìn)的ACO-相對(duì)誤差明顯下動(dòng)力電池

王震等

[38]38]

法，

BP，

改進(jìn)了全局信息素

采用慣性矯正算

降，精度和穩(wěn)定

影響電池SOC

性得到大幅度提

的其他因素背

以更新規(guī)則高

忽略

of

SOC(state

charge)

估算

的

提出了一種改進(jìn)的網(wǎng)絡(luò)數(shù)據(jù)通信量?jī)H考慮了傳輸

IFA-IACOBP模型，引

和網(wǎng)絡(luò)能耗大幅時(shí)節(jié)點(diǎn)間的距

無(wú)線傳感

余修武等

[39]39]

入啟發(fā)因子，將改進(jìn)模度減少，數(shù)據(jù)實(shí)離關(guān)系，沒(méi)有

器網(wǎng)絡(luò)

型應(yīng)用到井下WSN的時(shí)性、網(wǎng)絡(luò)壽命加入能量的影

(WSN)

數(shù)據(jù)融合中得到提升響

工作

深井

提出了一種改進(jìn)算法，

用電池直流內(nèi)阻來(lái)表

肖仁鑫等

[40]40]

示SOH，再引入到電池

提高了電池直流

忽略了溫度對(duì)

電池衰退的影

電池健康

健康狀態(tài)估計(jì)種。

內(nèi)阻預(yù)測(cè)準(zhǔn)確度

響

狀態(tài)估計(jì)

4螢火蟲(chóng)算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

4.1螢火蟲(chóng)算法

zation

目前共有兩種螢火蟲(chóng)算法，

，GSO）在2005年由Krishnanand

一種（GlowwormSwarmOptimi?

[41]

提出，GSO算法是模擬

現(xiàn)實(shí)中螢火蟲(chóng)覓食行為而提出的一種新型元啟發(fā)式搜索算法。

另一種（FireflyAlgorithm，F(xiàn)A）在2009年由Yang

[42-43]

提出。采

用螢火蟲(chóng)算法來(lái)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，通過(guò)螢火蟲(chóng)算法得到更好

的網(wǎng)絡(luò)初始權(quán)值和閾值

[44]

。

4.2應(yīng)用現(xiàn)狀及分析

王慧等

[45]

提出了一種基于螢火蟲(chóng)優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)溫度

補(bǔ)償模型，使得神經(jīng)網(wǎng)絡(luò)的泛化性和搜索率大幅度提高。結(jié)果

表明：螢火蟲(chóng)優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)綜合特性表現(xiàn)良好，壓力傳感

器溫度補(bǔ)償算法可行。郭震等

[46]

提出一種螢火蟲(chóng)算法（FA）優(yōu)

化BP神經(jīng)網(wǎng)絡(luò)的溫度漂移補(bǔ)償方法，選取7個(gè)溫度點(diǎn)，建立陀

螺儀溫度漂移模型，結(jié)果表明，該模型使陀螺儀溫度漂移得到

了緩解，較傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)，補(bǔ)償效果得到了較大的提高。毛

君等

[47]

提出了一種基于改進(jìn)螢火蟲(chóng)算法優(yōu)化神經(jīng)網(wǎng)絡(luò)故障診

本欄目責(zé)任編輯：李雅琪

ComputerKnowledgeandTechnology

電腦知識(shí)

與技術(shù)

斷方法。首先對(duì)刮板輸送機(jī)減速器故障特征參數(shù)進(jìn)行特征提

取，其次應(yīng)用特征數(shù)據(jù)樣本進(jìn)行基于神經(jīng)網(wǎng)絡(luò)的故障診斷模型

訓(xùn)練，利用改進(jìn)螢火蟲(chóng)算法對(duì)神經(jīng)網(wǎng)絡(luò)權(quán)值、閾值進(jìn)行優(yōu)化，加

快目標(biāo)的優(yōu)化求解，得到最優(yōu)的網(wǎng)絡(luò)模型。研究表明將改進(jìn)螢

火蟲(chóng)算法與BP(backpropagation)神經(jīng)網(wǎng)絡(luò)結(jié)合可以有效地解

決神經(jīng)網(wǎng)絡(luò)收斂速度慢，易陷入局部最優(yōu)等問(wèn)題，可以對(duì)刮板

輸送機(jī)減速器的故障進(jìn)行準(zhǔn)確診斷。張明等

[48]

提出了一種應(yīng)

用于障礙物模式識(shí)別中的改進(jìn)進(jìn)化機(jī)制的螢火蟲(chóng)算法

FA

網(wǎng)絡(luò)模型的障礙物識(shí)別效果更好。

），采用位置移動(dòng)策略，實(shí)驗(yàn)表明，由IEMFA優(yōu)化的BP

（IEM?

神經(jīng)

表4螢火蟲(chóng)算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用及分析

作者及文獻(xiàn)應(yīng)用方法應(yīng)用價(jià)值存在問(wèn)題應(yīng)用場(chǎng)景

建立了基于FA-BP的電動(dòng)汽車(chē)電

電池荷電SOC估算模

估算結(jié)果精確度

吳華偉等

[4949]]

型，輸入為端電壓和

大幅度提升，電動(dòng)

忽略了電池壽池荷電狀態(tài)

放電電流，輸出為

汽車(chē)SOC得到了

命、室內(nèi)溫度等（stateof

SOC。

優(yōu)化

的影響

charge

估算

，SOC）

構(gòu)建了應(yīng)用于股價(jià)預(yù)

測(cè)的優(yōu)化模型(SFA－未引入開(kāi)盤(pán)價(jià)、

劉園園等

[50]50]

BP)，選取

預(yù)測(cè)效果理想，預(yù)

最高最低價(jià)、成

預(yù)測(cè)股票價(jià)

據(jù)，進(jìn)行股價(jià)預(yù)測(cè)精

4種股票數(shù)

測(cè)精度優(yōu)化明顯

交量等數(shù)據(jù)

格

度的仿真實(shí)驗(yàn)

提出一種改進(jìn)算法，對(duì)公交行程時(shí)間檢驗(yàn)數(shù)據(jù)量有

彭新建等

[51]51]

利用GPS數(shù)據(jù)進(jìn)行訓(xùn)的預(yù)測(cè)準(zhǔn)確性和限，影響實(shí)際預(yù)

公交行程時(shí)

練和建模穩(wěn)定性有所提高測(cè)精度

間預(yù)測(cè)

提出改進(jìn)的IBGSO，

優(yōu)化計(jì)算速度及

初始螢火蟲(chóng)種

李敬明等

[52]52]

采用高斯變異函數(shù)，群的隨機(jī)性大，農(nóng)業(yè)干旱災(zāi)

應(yīng)用于農(nóng)業(yè)干旱災(zāi)害

精度，旱情評(píng)估的

評(píng)估。

準(zhǔn)確性大大提升．

穩(wěn)定性有待提害評(píng)估

高

5總結(jié)

本文對(duì)群智能算法中的遺傳算法、蜂群算法、蟻群算法和

螢火蟲(chóng)算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)應(yīng)用的相關(guān)研究進(jìn)行了綜述。

改進(jìn)模型廣泛應(yīng)用于交通出行、醫(yī)學(xué)識(shí)別、天氣預(yù)測(cè)、金融評(píng)

估、海洋水質(zhì)分析等各領(lǐng)域，分別在數(shù)據(jù)的精確程度、計(jì)算速度

和穩(wěn)定性上得到了明顯提升。但因?yàn)楦鲬?yīng)用場(chǎng)景的特殊性，仍

存在不足，如數(shù)據(jù)量采集不夠充分、影響因素考慮不足、計(jì)算量

太大、樣本選取難度大等。在今后的研究中，有更多的問(wèn)題需

要繼續(xù)的完善和探索。

參考文獻(xiàn)：

[1]

[2]

何明.大學(xué)計(jì)算機(jī)基礎(chǔ)[M].

tations

Rumelhart

by

DE,HintonGE,Williams

南京:東南大學(xué)出版社

ng

,2015.

repren?

[3]

-536

back-propagatingerrors[J]Nature，1986，323(3):533

MRI

WANG

．

bad

JC,YU

onBP

Y,YANG

neuralnetwork[J].Journal

K,umcr

of

gmentation

Biomedical

of

[4]

gineeringRearch,2016,35(4):290-293.

En?

static

BADIH,HAMZAA,hodforoptimizationof

Conference(IntelliSys).IEEE,2017:542-544.

handgesturerecognition[C]//2017IntelligentSystems

本期推薦

9

ComputerKnowledgeandTechnology

電腦知識(shí)

與技術(shù)

[5]

Intelligence:

Bonabeau,Eric;Dorigo,Marco;Theraulaz,

[6]

513159-2.

FromNaturaltoArtificialSystems.

Guy(1999).

ISBN

Swarm

0-19-

HincheyMG，SterrittR，and

[7]

gence[J].Computer，2007，40（4）：111-113

swarmintell?

think

Bonabeau

about

EMeyer

business[J].Harvard

ntelligence

Business

：

Review,2001,79

Awholenewway

（5）

to

：

[8]

106-114

Architectures

SUNY,XUEB,ZHANG

UsingGenetic

M,et

Algcrithm

tically

forImage

Designing

Classification

CNN

[9]

[J].arXiv:1808.03818,2018.

邱華鑫,段海濱,范彥銘.

[10]

編隊(duì)

張華偉

[J].控制理論與應(yīng)用

基于鴿群行為機(jī)制的多無(wú)人機(jī)自主

,2015,32(10):1298-1304.

[11]

力預(yù)測(cè)

源信息融合室內(nèi)定位方法

劉宇,惠鴻飛

[J].

,鄭曉濤

東北大學(xué)學(xué)報(bào)

.基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的拼焊板壓邊

,路永樂(lè),等

(自然科學(xué)版

.基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的多

),2020,41(2):241-245.

[12]

67-73.

[J].中國(guó)慣性技術(shù)學(xué)報(bào),2020,28(1):

王倚文,許承東,彭雅奇,等.基于GA-BP神經(jīng)網(wǎng)絡(luò)的

[13]

道誤差模型研究

李明星,王顯會(huì)

[J].

,周云波

計(jì)算機(jī)仿真

,

,2020,37(2):82-86.

BDS軌

[14]

護(hù)組件優(yōu)化

劉曉彤,王偉

[J].

,李澤禹

爆炸與沖擊

等

,等.基于改進(jìn)

,2020,40(2):107-115.

.基于神經(jīng)網(wǎng)絡(luò)的車(chē)輛抗沖擊防

BP

[15]

白細(xì)胞識(shí)別算法

YG8

李帆

[J].計(jì)算機(jī)科學(xué),2020,47(2):102-105.

神經(jīng)網(wǎng)絡(luò)的尿液中紅

硬質(zhì)合金耐磨性預(yù)測(cè)模型

,閆獻(xiàn)國(guó),陳峙,等.基于遺傳算法優(yōu)化

[J].金屬熱處理

BP

,2019,44(12):

神經(jīng)網(wǎng)絡(luò)的

[16]

244-248.

朱苗苗,潘偉杰,劉翔,等.

[17]

式遺傳算法

張?zhí)旎?鮑艷松

[J].計(jì)算機(jī)工程與應(yīng)用

基于BP神經(jīng)網(wǎng)絡(luò)代理模型的交互

,

,2020,56(2):146-151.

[18]

大氣溫濕廓線

錢(qián)芝穎.基于BP神經(jīng)網(wǎng)絡(luò)與遺傳算法反演

cal

Karaboga

[J].熱帶氣象學(xué)報(bào),2020,36(1)：97-107.

optimization

，Technical

ideabad

Report-

onhoney

TR06[R].Kayri

beeswarmfor

，Turkey

numeri?

：

[19]

Erciyes

numerical

Karaboga

University

D

，2005.

[20]

[J].Journal

function

，Basturk

ofGlobal

optimization

ful

Optimization

：Artificial

andefficientalgorithmfor

，2007，39

bee

（

colonyalgorithm

(ABC)

KarabogaD,BasturkAkayB,cial

3）：459-471.

ral

Intelligence,

Networks

Optimization

[C].In:

Algorithm

LNCS:Modeling

forTraining

Decisions

Feed-Forward

BeeColony

forArtificial

Neu?

[21]

318-319.

Springer-Verlag,BerlinHeidelberg,2007(4617):

Training

Karaboga

Signal

Artificial

D,Basturk

Neural

cial

Networks[C].

Bee

In:

Colony

2007

Algorithm

IEEE15th

on

[22]

1-4.

ProcessingandCommunicationsApplications,2007:

ing

BademH，BasturkA，CaliskanA，

ficial

strategyfordeepneuralnetworksbyhybrid-ization

efficient

of

train?

arti?

[23]

rithms[J].Neurocomputing

beecolonyandlimited-memory

，2017，266

BFGSoptimizationalgo?

機(jī)工程與應(yīng)用

林詩(shī)潔,董晨,

,

陳明志

2018，54

,等

（

.

12

新型群智能優(yōu)化算法綜述

：506-526.

）:1-9.

[J].計(jì)算

10

本期推薦

第16卷第35期(2020年12月)

[24]

經(jīng)網(wǎng)絡(luò)的腦電信號(hào)分類(lèi)

徐健,陳倩倩,劉秀平.基于交叉運(yùn)算的人工蜂群優(yōu)化

[J].激光與光電子學(xué)進(jìn)展,2020,57

BP神

[25]

(21):212001.

[26]

中的應(yīng)用

楊粟涵,張平華

移動(dòng)用戶行為分析及預(yù)測(cè)方法

羅海艷,楊勇

[J].河南科技

,于蕾.人工蜂群算法在再制造物流網(wǎng)絡(luò)優(yōu)化

,王玨，等

,

.

2019,694(32):11-14.

基于人工蜂群改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)

[27]

46(6)

文祝青

：757-761.

[J].沈陽(yáng)農(nóng)業(yè)大學(xué)學(xué)報(bào),2015,

,吳志攀.

[28]

法研究

黃恩潭，

[J].

谷遠(yuǎn)利

電腦知識(shí)與技術(shù)

一種基于

,2017,13(32)

ABC-BP神經(jīng)網(wǎng)絡(luò)的指紋識(shí)別算

：195-198.

[29]

的短時(shí)交通流預(yù)測(cè)

,基于改進(jìn)人工蜂群算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)

李曉靜.基于改進(jìn)蜂群算法的神經(jīng)網(wǎng)絡(luò)及其應(yīng)用

[J].山東科學(xué),2018,3l(2):79-87.

[J].

[30]

院學(xué)報(bào)

[31]

[J].

楊輝

信息技術(shù)與信息化

.

,2015,22(2):29-34.

瓊州學(xué)

人工蜂群-BP網(wǎng)絡(luò)算法在云計(jì)算入侵檢測(cè)中的應(yīng)用

,2020(4):150-154.

神

楊咪，

經(jīng)網(wǎng)

徐盼盼，

絡(luò)水質(zhì)

錢(qián)會(huì)，

模型[J].

等.

環(huán)

基于人工蜂群算法的

境監(jiān)測(cè)管理與技術(shù)

BP

,2018,

雙隱含層

30(1):

[32]

21-26.

喬?hào)|平,裴杰,

[33]

導(dǎo)刊，

絡(luò)態(tài)勢(shì)預(yù)測(cè)研究

王巖雪

2017

肖艷秋，等．蟻群算法及其應(yīng)用綜述[J]．軟件

,孫大躍

，16(12)

.基于蟻群算法優(yōu)化

：217-221.

[J].現(xiàn)代電子技術(shù).(/kcms/

BP神經(jīng)網(wǎng)絡(luò)的政務(wù)云網(wǎng)

[34]

detail/).

合

王勃

算法

,徐靜

仿真

.基于蟻群優(yōu)化算法的

的研究[J].計(jì)算機(jī)測(cè)

BP

量

神經(jīng)網(wǎng)絡(luò)的

與控制,2018

RPROP

，26(7):

混

[35]

195-202.

曾植,張寒,楊廷方,等

[36]

斷變壓器潛伏性故障

唐錫雷

[J].

.基于組合蟻群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)診

電氣應(yīng)用,2019（6）:43-49.

[37]

技術(shù)

秦浩森

,2018,40(3A):10-12.

.蟻群優(yōu)化神經(jīng)網(wǎng)絡(luò)的船舶排水量估計(jì)[J].艦船科學(xué)

,丁咚,王祥東,等.蟻群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)聲學(xué)底

[38]

質(zhì)分類(lèi)方法

[39]

估算中的應(yīng)用

王震,陸金桂

[J].

.

中國(guó)海洋大學(xué)學(xué)報(bào),2019,49(II):60-68.

余修武,劉琴

[J].

改進(jìn)的

,李向陽(yáng)

輕工學(xué)報(bào)

ACO-BP

,等

,2019,34(4):81

神經(jīng)網(wǎng)絡(luò)在鋰離子電池

.基于改進(jìn)蟻群的

－86．

SOC

BP

[40]

WSN

肖仁鑫

數(shù)據(jù)融合算法

,李沛森,李曉宇

[J].北京郵電大學(xué)學(xué)報(bào),2018,41(4):91-96.

神經(jīng)網(wǎng)絡(luò)

[41]

健康狀態(tài)估計(jì)[J].電源技術(shù)

,等

,2017,41

.基于蟻群神經(jīng)網(wǎng)絡(luò)算法的電池

(6)：916-919.

simultaneous

Krishnanand

capture

KN，Gho

ofmultiple

rmswarmoptimizationfor

[42]

functions[J].SwarmIntelligence，2009

local

，3（2

optimaofmultimodal

[43]

Luniver

YangX

）：87-124.

Press

-inspiredmetaheuristicalgorithms[M].[S.l.]：

[44]

Mathematics

y

，2008.

algorithmsformultimodaloptimization[J].

的

王改革

目標(biāo)威

,郭立紅

，2009

脅估計(jì)

,段紅

，5792

[J].

,

：169-178.

吉

等

林

.基于螢火蟲(chóng)算法優(yōu)化

大學(xué)學(xué)報(bào)（工學(xué)版）

BP

.2013,

神經(jīng)網(wǎng)絡(luò)

43(4):

[45]

1064-1069

感器溫度補(bǔ)償策略

王慧,符鵬

.

,宋宇寧.基于螢火蟲(chóng)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)方法的傳

104.

[J].機(jī)械強(qiáng)度,2020,42(1):109-114

（下轉(zhuǎn)第14頁(yè)

：109-

）

本欄目責(zé)任編輯：李雅琪

ComputerKnowledgeandTechnology

電腦知識(shí)

與技術(shù)

第16卷第35期(2020年12月)

全面、高效地了解商品情況，從而支持消費(fèi)者的購(gòu)買(mǎi)決策，同時(shí)

也可以幫助商家更好地了解消費(fèi)者的反饋和需求，進(jìn)而改進(jìn)商

品和服務(wù)等，提升用戶購(gòu)物體驗(yàn)。本文基于Python和Echarts

并結(jié)合jieba分詞，對(duì)某款投影儀的評(píng)價(jià)文本設(shè)計(jì)了詞云圖、旭

日?qǐng)D、主題河流圖等多種可視化形式，讓用戶多角度更全面地

了解商品，而且也適用于其他類(lèi)型商品的評(píng)價(jià)文本可視化。但

是，本文中數(shù)據(jù)爬取的完整性以及不同屬性評(píng)價(jià)詞的自動(dòng)標(biāo)注

等有待后續(xù)深入研究。

參考文獻(xiàn):

[1]宋蘇娟,彭衛(wèi),王沖.基于手機(jī)評(píng)論數(shù)據(jù)探究在線評(píng)論有用性

的影響因素[J].商場(chǎng)現(xiàn)代化,2020(11):1-4.

[2]曹麗,郭愷強(qiáng).基于在線評(píng)論的網(wǎng)絡(luò)營(yíng)銷(xiāo)策略研究[J].輕紡工

業(yè)與技術(shù),2020,49(5):120-121.

[3]陳俊宇,鄭列.基于R語(yǔ)言的商品評(píng)論情感可視化分析[J].湖

北工業(yè)大學(xué)學(xué)報(bào),2020,35(1):110-113.

[4]徐博龍.應(yīng)用Jieba和Wordcloud庫(kù)的詞云設(shè)計(jì)與優(yōu)化[J].福

建電腦,2019,35(6):25-28.

[5]李春芳,石民勇.數(shù)據(jù)可視化原理與實(shí)例[M].北京:中國(guó)傳媒

大學(xué)出版社,2018.

[6]韓帥康,江濤,張順.大數(shù)據(jù)評(píng)論采集分析系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)

[J].電腦知識(shí)與技術(shù),2020,16(4):35-37.

[7]易小群,李天瑞,陳超.面向評(píng)論文本數(shù)據(jù)的旭日?qǐng)D可視化[J].

計(jì)算機(jī)科學(xué),2019,46(10):14-18.

[8]百度Echarts[EB/OL].[2020-05-26]./

zh/.

【通聯(lián)編輯：謝媛媛】

圖17主題河流圖關(guān)鍵配置

4結(jié)束語(yǔ)

對(duì)商品評(píng)價(jià)文本的可視化分析，可以幫助消費(fèi)者更直觀、

（上接第10頁(yè)）

[46]郭震,劉穎,于福華.FA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的MEMS陀螺儀溫

度漂移補(bǔ)償[J].微納電子技術(shù).2019,56(10)：817-827.

[47]毛君,郭浩,陳洪月.基于改進(jìn)螢火蟲(chóng)算法神經(jīng)網(wǎng)絡(luò)的刮板輸

送機(jī)減速器故障診斷[J].機(jī)械強(qiáng)度,2019,41(3):544-550.

[48]張明,張樹(shù)群,雷兆宜.改進(jìn)的螢火蟲(chóng)算法在神經(jīng)網(wǎng)絡(luò)中的應(yīng)

用[J].計(jì)算機(jī)工程與應(yīng)用,2017,53（5）:159-163.

[49]吳華偉,張遠(yuǎn)進(jìn),葉從進(jìn).基于螢火蟲(chóng)神經(jīng)網(wǎng)絡(luò)的動(dòng)力電池

SOC估算[J].儲(chǔ)能科學(xué)與技術(shù),2019,8(3):575-579.

[50]劉園園,賀興時(shí).基于自適應(yīng)螢火蟲(chóng)算法的BP神經(jīng)網(wǎng)絡(luò)股

價(jià)預(yù)測(cè)[J].渭南師范學(xué)院學(xué)報(bào),2019,34(2):87-96.

[51]彭新建,翁小雄.基于螢火蟲(chóng)算法優(yōu)化ＢＰ神經(jīng)網(wǎng)絡(luò)的公交

行程時(shí)間預(yù)測(cè)[J].廣西師范大學(xué)學(xué)報(bào)（自然科學(xué)版）,2017,35

(1):28-36.

[52]李敬明,倪志偉,朱旭輝,等.基于改進(jìn)二進(jìn)制螢火蟲(chóng)的BP

神經(jīng)網(wǎng)絡(luò)并行集成學(xué)習(xí)算法[J].模式識(shí)別與人工智能,2017,

30(2):171-182.

【通聯(lián)編輯：梁書(shū)】

14

本期推薦本欄目責(zé)任編輯：李雅琪