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

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;螢火蟲算法

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

文章編號(hào)：1009-3044（2020）35-0007-04

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

Review on Application of Intelligent Algorithm to Optimize BP Neural Network

YANG Yang， CHEN Jia-jun

（School of Electronics and Information Engineering West Anhui University， Luan 237012， China）

Abstract： BP neural network is widely used in many practical problems， but it has some? disadvantages： easy to fall into local minimum value， slow learning speed， low calculation accuracy. BP neural network optimized by swarm intelligence algorithm is more feasible and practical. This paper analyzes and summarizes the application of BP neural network optimized by genetic algorithm， bee colony algorithm， ant colony algorithm and firefly algorithm， which has important reference value for the future development of swarm intelligence algorithm optimization BP neural network.

Key words： swarm intelligence; neural network; genetic algorithm; bee colony algorithm; ant colony algorithm; firefly algorithm

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，簡(jiǎn)寫為ANNs）也簡(jiǎn)稱為神經(jīng)網(wǎng)絡(luò)（NNs）或稱作連接模型（Connection Model），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)到處理信息的目的[1] 。

1986 年，Rumelhant 和McClelland 提出了多層前饋網(wǎng)絡(luò)的誤差反向傳播（ Error Back Propagation） 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 Gerardo Beni 和 Jing Wang在文章《Swarm Intelligence》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（genetic algorithm，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 BP 網(wǎng)絡(luò)的初始權(quán)值，可以有效改善此問(wèn)題[9]。

1.2 應(yīng)用現(xiàn)狀及分析

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。

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)

2005 年Karaboga 等人提出了人工蜂群（Artificial Bee Colony）算法[18-19]。通過(guò)模擬蜂群的采蜜活動(dòng)，用來(lái)解決高維和多目標(biāo)優(yōu)化問(wèn)題，快速得到局部最優(yōu)解。2007年～2008 年D Karaboga 提出系統(tǒng)的蜂群算法，并采用蜂群算法訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)，取得良好的應(yīng)用效果[20-21]。

Badem [22]提出一種基于混合人工蜂群的訓(xùn)練策略（HABCbTS），包括一個(gè)或多個(gè)級(jí)聯(lián)到softmax分類層的自動(dòng)編碼器層，來(lái)調(diào)整深度神經(jīng)網(wǎng)絡(luò)（DNN）結(jié)構(gòu)的參數(shù)。HABCbTS具有更好的分類性能，其訓(xùn)練的DNN分類器適應(yīng)性強(qiáng)，也可用于卷積神經(jīng)網(wǎng)絡(luò)等類似神經(jīng)網(wǎng)絡(luò)[23]?？蓱?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BP神經(jīng)網(wǎng)絡(luò)分類方法——CGABC-BP（Cross GlobalArtificial Bee Colony and Back Propagation）。用這種方法對(duì)腦電信號(hào)進(jìn)行分類，分類正確率得到了提高，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。

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（Ant Colony Optimization，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)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)分類正確率和運(yùn)行的效率，具有一定的實(shí)用價(jià)值。

曾植等[35]提出組合蟻群算法（Combined ACO，CACO） 優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，限制信息素軌跡量值域范圍，把精英策略的螞蟻系統(tǒng)與MAX-MIN螞蟻系統(tǒng)互相結(jié)合，驗(yàn)證表明，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。

4 螢火蟲算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

4.1 螢火蟲算法

目前共有兩種螢火蟲算法，一種（Glowworm Swarm Optimization，GSO）在2005 年由Krishnanand[41]提出，GSO算法是模擬現(xiàn)實(shí)中螢火蟲覓食行為而提出的一種新型元啟發(fā)式搜索算法。另一種（Firefly Algorithm，F(xiàn)A）在2009 年由Yang[42-43] 提出。采用螢火蟲算法來(lái)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，通過(guò)螢火蟲算法得到更好的網(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)螢火蟲算法優(yōu)化神經(jīng)網(wǎng)絡(luò)故障診斷方法。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)螢火蟲算法與 BP（back propagation）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)制的螢火蟲算法（IEMFA），采用位置移動(dòng)策略，實(shí)驗(yàn)表明，由IEMFA優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型的障礙物識(shí)別效果更好。

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] 何明.大學(xué)計(jì)算機(jī)基礎(chǔ)[M].南京：東南大學(xué)出版社，2015.

[2] Rumelhart D E，Hinton G E，Williams R J.Learning representations by back-propagating errors[J]Nature，1986，323（3）： 533 -536.

[3] WANG J C，YU Y，YANG K，et al.Brain tumcr segmentation of MRI based on BP neural network[J].Journal of Biomedical Engineering Research，2016，35（4）：290-293.

[4] BADI H，HAMZA A，HASAN S.New method for optimization of static hand gesture recognition[C]//2017Intelligent Systems Conference（IntelliSys）.IEEE，2017：542-544.

[5] Bonabeau， Eric; Dorigo， Marco; Theraulaz， Guy （1999）. Swarm Intelligence： From Natural to Artificial Systems. ISBN 0-19-513159-2.

[6] Hinchey M G，Sterritt R，Rouff C.Swarms and swarm intellgence[J].Computer，2007，40（4）：111-113

[7] Bonabeau EMeyer C.Swarm intelligence：A whole new way to think about business[J].Harvard Business Review，2001，79（5）：106-114

[8] SUN Y，XUE B，ZHANG M，et al.Automatically Designing CNN Architectures Using Genetic Algcrithm for Image Classification[J].arXiv：1808.03818，2018.

[9] 邱華鑫，段海濱，范彥銘.基于鴿群行為機(jī)制的多無(wú)人機(jī)自主編隊(duì)[J].控制理論與應(yīng)用，2015，32（10）：1298-1304.

[10] 張華偉，鄭曉濤.基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的拼焊板壓邊力預(yù)測(cè)[J].東北大學(xué)學(xué)報(bào)（自然科學(xué)版），2020，41（2）：241-245.

[11] 劉宇，惠鴻飛，路永樂(lè)，等.基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的多源信息融合室內(nèi)定位方法[J].中國(guó)慣性技術(shù)學(xué)報(bào)，2020，28（1）：67-73.

[12] 王倚文，許承東，彭雅奇，等.基于GA-BP神經(jīng)網(wǎng)絡(luò)的BDS軌道誤差模型研究[J].計(jì)算機(jī)仿真，2020，37（2）：82-86.

[13] 李明星，王顯會(huì)，周云波，等.基于神經(jīng)網(wǎng)絡(luò)的車輛抗沖擊防護(hù)組件優(yōu)化[J].爆炸與沖擊，2020，40（2）：107-115.

[14] 劉曉彤，王偉，李澤禹，等.基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的尿液中紅白細(xì)胞識(shí)別算法[J].計(jì)算機(jī)科學(xué)，2020，47（2）：102-105.

[15] 李帆，閆獻(xiàn)國(guó)，陳峙，等.基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的YG8硬質(zhì)合金耐磨性預(yù)測(cè)模型[J].金屬熱處理，2019，44（12）：244-248.

[16] 朱苗苗，潘偉杰，劉翔，等.基于BP神經(jīng)網(wǎng)絡(luò)代理模型的交互式遺傳算法[J].計(jì)算機(jī)工程與應(yīng)用，2020，56（2）：146-151.

[17] 張?zhí)旎?，鮑艷松，錢芝穎. 基于 BP 神經(jīng)網(wǎng)絡(luò)與遺傳算法反演大氣溫濕廓線[J]. 熱帶氣象學(xué)報(bào)，2020，36（1）：97-107.

[18] Karaboga D.An idea based on honey bee swarm for numerical optimization，Technical Report- TR06[R].Kayseri，Turkey：Erciyes University，2005.

[19] Karaboga D，Basturk B.A powerful and efficient algorithm for numerical function optimization：Artificial bee colony algorithm[J].Journal of Global Optimization，2007，39（3）：459-471.

[20] Karaboga D， Basturk Akay B，Ozturk C. Artificial Bee Colony （ABC） Optimization Algorithm for Training Feed-Forward Neural Networks [C]. In： LNCS： Modeling Decisions for Artificial Intelligence， Springer-Verlag， Berlin Heidelberg， 2007 （4617）：318-319.

[21] Karaboga D，Basturk B. Artificial Bee Colony Algorithm on Training Artificial Neural Networks[C]. In： 2007 IEEE 15th Signal Processing and Communications Applications， 2007：1-4.

[22] Badem H，Basturk A，Caliskan A，et al.A new efficient training strategy for deep neural networks by hybrid-ization of artificial bee colony and limited-memory BFGS optimization algorithms[J].Neurocomputing，2017，266：506-526.

[23] 林詩(shī)潔，董晨，陳明志，等.新型群智能優(yōu)化算法綜述[J].計(jì)算機(jī)工程與應(yīng)用， 2018，54（12）：1-9.

[24] 徐健，陳倩倩，劉秀平.基于交叉運(yùn)算的人工蜂群優(yōu)化 BP 神經(jīng)網(wǎng)絡(luò)的腦電信號(hào)分類[J].激光與光電子學(xué)進(jìn)展，2020，57（21）：212001.

[25] 楊粟涵，張平華，于蕾.人工蜂群算法在再制造物流網(wǎng)絡(luò)優(yōu)化中的應(yīng)用 [J].河南科技， 2019，694（32）：11-14.

[26] 羅海艷，楊勇，王玨，等.基于人工蜂群改進(jìn)的 BP 神經(jīng)網(wǎng)絡(luò)移動(dòng)用戶行為分析及預(yù)測(cè)方法 [J]. 沈陽(yáng)農(nóng)業(yè)大學(xué)學(xué)報(bào)，2015，46（6）： 757-761.

[27] 文祝青，吳志攀.一種基于ABC-BP神經(jīng)網(wǎng)絡(luò)的指紋識(shí)別算法研究[J].電腦知識(shí)與技術(shù)，2017，13（32）：195-198.

[28] 黃恩潭，谷遠(yuǎn)利，基于改進(jìn)人工蜂群算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測(cè)[J].山東科學(xué)， 2018，3l（2）：79-87.

[29] 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].瓊州學(xué)院學(xué)報(bào)，2015，22（2）：29-34.

[30] 楊輝.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[J].信息技術(shù)與信息化， 2020（4）：150-154.

[31] 楊咪，徐盼盼，錢會(huì)，等.基于人工蜂群算法的BP雙隱含層神經(jīng)網(wǎng)絡(luò)水質(zhì)模型[J].環(huán)境監(jiān)測(cè)管理與技術(shù)，2018，30（1）：21-26.

[32] 喬?hào)|平，裴杰，肖艷秋，等.蟻群算法及其應(yīng)用綜述[J].軟件導(dǎo)刊，2017，16（12）：217-221.

[33]王巖雪，孫大躍.基于蟻群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的政務(wù)云網(wǎng)絡(luò)態(tài)勢(shì)預(yù)測(cè)研究[J].現(xiàn)代電子技術(shù).（http：//kns.cnki.net/kcms/detail/61.1224.TN.20200416.2107.002.html）.

[34] 王勃，徐靜.基于蟻群優(yōu)化算法的BP神經(jīng)網(wǎng)絡(luò)的RPROP混合算法仿真的研究[J].計(jì)算機(jī)測(cè)量與控制，2018，26（7）：195-202.

[35] 曾植，張寒，楊廷方，等.基于組合蟻群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)診斷變壓器潛伏性故障[J].電氣應(yīng)用，2019（6）：43-49.

[36] 唐錫雷.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)技術(shù)，2018，40（3A）：10-12.

[37] 秦浩森，丁咚，王祥東，等.蟻群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)聲學(xué)底質(zhì)分類方法[J].中國(guó)海洋大學(xué)學(xué)報(bào)，2019，49（II）：60-68.

[38] 王震，陸金桂.改進(jìn)的ACO-BP神經(jīng)網(wǎng)絡(luò)在鋰離子電池SOC估算中的應(yīng)用[J].輕工學(xué)報(bào)，2019，34（4）：81-86.

[39] 余修武，劉琴，李向陽(yáng)，等.基于改進(jìn)蟻群的 BP 神經(jīng)網(wǎng)絡(luò) WSN 數(shù)據(jù)融合算法[J].北京郵電大學(xué)學(xué)報(bào)，2018，41（4）：91-96.

[40] 肖仁鑫，李沛森，李曉宇，等.基于蟻群神經(jīng)網(wǎng)絡(luò)算法的電池健康狀態(tài)估計(jì)[J].電源技術(shù)，2017，41 （6）：916-919.

[41] Krishnanand K N，Ghose D.Glowworm swarm optimization for simultaneous capture of multiple local optima of multimodal functions[J].Swarm Intelligence，2009，3（2）：87-124.

[42] Yang X S.Nature-inspired metaheuristic algorithms[M].[S.l.]：Luniver Press，2008.

[43] Yang X S.Firefly algorithms for multimodal optimization[J].Mathematics，2009，5792：169-178.

[44] 王改革，郭立紅，段紅，等.基于螢火蟲算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的目標(biāo)威脅估計(jì)[J].吉林大學(xué)學(xué)報(bào)（工學(xué)版）.2013，43（4）：1064-1069 .

[45] 王慧，符鵬，宋宇寧.基于螢火蟲優(yōu)化BP神經(jīng)網(wǎng)絡(luò)方法的傳感器溫度補(bǔ)償策略[J].機(jī)械強(qiáng)度，2020，42（1）：109-114：109-104 . （下轉(zhuǎn)第14頁(yè)）

（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】