基于改進粒子群算法優(yōu)化策略的核極限學習機方法研究

高 天 龔平順

（安徽理工大學電氣與信息工程學院，安徽 淮南 232000）

0 引言

隨著科技的進步，神經(jīng)網(wǎng)絡已逐漸成為當前一大熱點，如人工神經(jīng)網(wǎng)絡［1］、概率神經(jīng)網(wǎng)絡［2］、決策樹［3］等。由于神經(jīng)網(wǎng)絡模型架構(gòu)存在缺陷，導致單一神經(jīng)網(wǎng)絡存在著上限，而將多種神經(jīng)網(wǎng)絡進行融合，成為一種新的解決方案。林培杰等［4］通過支持向量機來實現(xiàn)分類，并選取粒子群算法改進相關(guān)參數(shù)；王元章等［5］對L-M和BP神經(jīng)網(wǎng)絡算法進行融合，并完善BP算法的參數(shù)；秦瓊等［6］、林濤等［7］、章勇高等［8］將極限學習機應用于新能源的功率預測中；任曉琳等［9］將蝙蝠算法與核極限學習機進行結(jié)合，從而優(yōu)化KELM參數(shù)，增強模型的穩(wěn)定性，提高診斷精度。本研究通過分析核極限學習機的基本原理，改進粒子群算法的學習策略來修正KELM參數(shù)，從而構(gòu)建最佳模型。

1 核極限學習機

1.1 極限學習機

極限學習機（ELM）是一種可實現(xiàn)快速學習進化的獨特算法［10］。由于模型結(jié)構(gòu)的特點，其學習速度極快。

網(wǎng)絡實際輸出值的計算公式見式（1）。

式中：ωi為ELM輸入節(jié)點和隱含層節(jié)點的權(quán)值；bi為ELM隱含層的偏置系數(shù)；βi為ELM隱含層和輸出層的輸出權(quán)值；gi為激活函數(shù)。

ELM模型的矩陣形式見式（2）。

式中：β為輸出權(quán)值矩陣；H為隱含層的輸出矩陣；T為期望輸出矩陣。

在確定H矩陣和T矩陣后，可求出輸出權(quán)值矩陣β，見式（3）。

式中：H+為矩陣H的廣義逆矩陣。

ELM網(wǎng)絡的隱含層節(jié)點數(shù)通常小于數(shù)據(jù)的樣本數(shù)，容易產(chǎn)生復共線性問題，導致求解出的權(quán)值矩陣β不一致，從而嚴重影響模型的穩(wěn)定性［11］。

1.2 核極限學習機

Huang等［12］采用核函數(shù)的理論，通過核矩陣Ω來代替隨機矩陣HHT，從而改善極限學習機不穩(wěn)定，并引出核極限學習機（KELM）。

核矩陣的計算公式見式（4）。

式中：h（x）為KELM隱含層輸出函數(shù)；K（xi，xj）為核函數(shù)。

KELM模型的輸出變?yōu)槭剑?）。

式中：I為對角矩陣；C為懲罰因子。

KELM通過引入核函數(shù)理論，得到β矩陣的確定值，從而提高極限學習機的可靠性。在KELM模型中，核參數(shù)σ和懲罰因子C是影響算法精度的關(guān)鍵因素，本研究采用改進粒子群算法進行優(yōu)化處理。

2 改進粒子群算法

在粒子群算法（PSO）中，粒子位置和速度是算法的核心要素，速度為粒子下一步迭代時移動的方向和距離，位置為所求解問題的一個解。粒子速度和位置的更新公式見式（6）。

式中：i為種群的粒子；d為粒子的維度；k為算法的迭代次數(shù)；ω為慣性權(quán)重值；c1、c2為粒子學習因子；r1、r2為［0，1］內(nèi)的隨機數(shù)。

通過分析PSO算法的原理和存在的問題，發(fā)現(xiàn)國內(nèi)外學者對權(quán)值、學習因子和學習策略等進行改進。本研究選取標準的PSO算法和5種經(jīng)典的改進PSO算法進行對比研究。

2.1 線性權(quán)值下降粒子群算法

在粒子速度更新原理不變的基礎上，采用線性權(quán)值下降粒子群算法（LDIW-PSO）來改進慣性權(quán)重參數(shù)，從而實現(xiàn)權(quán)值的線性下降，權(quán)值ω的計算公式見式（7）［13］。

式中：ωmax為最大慣性權(quán)值；ωmin為最小慣性權(quán)值；k為迭代次數(shù)；kmax為最大迭代次數(shù)。

LDIW-PSO可對權(quán)值實現(xiàn)實時調(diào)整，從而保證粒子在全局和局部中都有更加出色的搜索能力。

2.2 自適應權(quán)重調(diào)整粒子群算法

自適應權(quán)重調(diào)整粒子群算法（APSO）是用慣性權(quán)重值改進的粒子群算法。為滿足不同進化階段的搜索需求，APSO對權(quán)重值進行調(diào)整，見式（8）。

式中：Fit為種群中粒子的適應度值。

改進后的粒子群算法可通過粒子適應度值和最小適應度值來調(diào)整ω值，使粒子群算法能更快更合理地找出最優(yōu)解。

2.3 骨干粒子群優(yōu)化算法

骨干粒子群優(yōu)化算法（BBPSO）修改了粒子的學習策略。粒子位置更新方程見式（9）。

式中：xij（t+1）為粒子在t+1時刻位于i位置的j維分量；uij（t）和σij（t）分別為粒子個體最優(yōu)值與群體最優(yōu)值的均值和標準差；N（uij，σij）為高斯分布；Pbesti為粒子i個體的最優(yōu)值；Gbest為群體最優(yōu)值。其中，Pbesti和Gbest的更新公式見式（10）。

式中：f（x）為種群的適應度函數(shù)。

BBPSO通過高斯采樣來處理均值和標準差，剔除不相關(guān)粒子，防止局部最優(yōu)值對粒子更新產(chǎn)生不好的影響，從而提高粒子的尋優(yōu)能力。

2.4 交叉亞種群混合粒子群算法

交叉亞種群混合粒子群算法（Breed-PSO）是一種交叉與亞種群相結(jié)合的混合粒子群優(yōu)化算法。在每個維度中，子位置是通過交叉計算父代位置得到的，見式（11）。

式中：Pi為0到1之間的隨機數(shù)；parent（x）為父代粒子的位置量；child（x）為子代粒子的位置量。

歸一化父代粒子的速度矢量可得到子代粒子的速度矢量，見式（12）。

式中：parent（v）為父代粒子的速度量；child（v）為子代粒子的速度量。

交叉運算和子種群運算可增強種群粒子的尋優(yōu)能力，避免陷入局部最優(yōu)值，有利于實現(xiàn)最優(yōu)值的求解。

2.5 綜合學習粒子群算法

綜合學習粒子群算法（CLPSO）是一種改進PSO的進化策略，這種新策略可防止過早收斂。粒子速度的更新公式見式（13）。

式中：c為粒子個體學習因子；pbest為粒子個體最佳值。CLPSO通過新的學習策略來防止粒子陷入局部值，提升算法搜索全局最優(yōu)值的能力。

2.6 基于測試函數(shù)驗證算法

本研究選取2個基準測試函數(shù)進行比較驗證，測試函數(shù)分布圖見圖1?；谏鲜龌鶞蕼y試函數(shù)，為了便于比較不同算法的優(yōu)異性，統(tǒng)一設置PSO算法和5種優(yōu)化PSO算法的粒子種群數(shù)量為80、粒子維度為30，初步設定算法的慣性權(quán)重和學習因子的參數(shù)值，驗證6種粒子群算法在2種基準測試函數(shù)下的迭代尋優(yōu)結(jié)果（見圖2）。

圖1 測試函數(shù)分布圖

圖2 函數(shù)尋優(yōu)結(jié)果

由圖2可知，在函數(shù)求解過程中，CLPSO算法的結(jié)果較好，LDIW-PSO算法的收斂速度最快。為了實現(xiàn)隨著迭代次數(shù)的增加而實時調(diào)整權(quán)重值，本研究采用線性遞減慣性權(quán)重來優(yōu)化CLPSO算法，見式（14）。

式中：ωmax和ωmin分別為最大和最小慣性權(quán)值；k為當前的迭代次數(shù)；kmax為種群中粒子能達到的迭代次數(shù)上限值。

通過對LDIW-PSO、CLPSO算法進行結(jié)合（以下簡稱“LCLPSO算法”），實現(xiàn)粒子群算法的完善與優(yōu)化，在提高收斂速度的同時，可大幅增強粒子的尋優(yōu)能力，選擇一個多峰函數(shù)Alpine來驗證LCLPSO算法的尋優(yōu)能力（見圖3）。

圖3 LCLPSO與CLPSO對比圖

由圖3可知，在引入線性遞減慣性權(quán)重后，CLPSO算法在迭代次數(shù)超過4 000次時，適應度值逐漸趨于停滯狀態(tài)，難以繼續(xù)尋優(yōu)；而LCLPSO算法的尋優(yōu)過程近似于線性遞減，迭代次數(shù)達到4 000后，LCLPSO算法依然保持著較強的搜索能力，持續(xù)尋優(yōu)，迭代次數(shù)達到10 000次時，得到最低的適應度值。

3 優(yōu)化核極限學習機

由于KELM引入了核函數(shù)，對參數(shù)非常敏感，本研究通過L-CLPSO算法來優(yōu)化KELM的核參數(shù)和懲罰因子，流程圖如圖4所示。

圖4 L-CLPSO優(yōu)化KELM的流程圖

將KELM的故障檢測準確率設置為PSO算法中的適用度函數(shù)，通過不斷地迭代計算來求出全局最佳參數(shù)，得到最優(yōu)的KELM模型，實現(xiàn)LCLPSO對KELM的優(yōu)化處理，結(jié)果圖5所示。

圖5 LCLPSO優(yōu)化KELM結(jié)果

4 結(jié)語

筆者通過研究KELM的基本原理，并分析6種不同類型的粒子群算法的優(yōu)劣，采用CLPSO與LDIW-PSO算法相結(jié)合的方式，并用Aphere多峰函數(shù)來驗證算法的結(jié)果，證明LCLPSO算法具有可取之處，最后用于改進KELM參數(shù)，實現(xiàn)參數(shù)的優(yōu)化。