摘 要：考虑到BP 神经网络模型和PSO 粒子群优化算法存在有的收敛速度慢及陷入局部最优的问题，给出了基于融合混沌（Chaos）模型和模拟退火（SA）算法而设计的PSO-BP 神经网络模型。将混沌模型和SA 算法的优点进行融合并对PSO 算法加以改进，防止PSO 算法因“早熟”而处于局部最优，从而得出BP 神经网络模型的权值与阈值集合。实例验证结果表明，CSAPSO-BP 神经网络模型的收敛性高于PSO-BP 神经网络模型与SAPSO-BP 神经网络模型，其平均绝对百分比误差分别比后两者低25.23% 和14.19%。
关键词：混沌模型；模拟退火粒子群；CSAPSO-BP 神经网络；动态平均适应度权重
DOI:10.19850/j.cnki.2096-4706.2023.08.021
基金项目：广西自动检测技术与仪器重点实验室主任基金立项项目（YQ19107）
中图分类号：TP391；F812.42 文献标识码：A 文章编号：2096-4706（2023）08-0083-05
Research on BP Neural Network Model Combining Chaos and Simulated Annealing PSO
HU Shuiyuan 1, CHEN Yi1,2
(1.Guilin University of Electronic Technology, Guilin 541004, China;
2.Guangxi University Key Laboratory of Intelligent Comprehensive Automation, Guilin 541004, China)
Abstract: Considering the problems of slow convergence speed and falling into local optimization of the BP neural network model and Particle Swarm Optimization (PSO) algorithm, a PSO-BP neural network model designed based on the fusion of Chaos (C) model and Simulated Annealing (SA) algorithm is proposed. The advantages of the Chaos model and the SA algorithm are fused and the PSO algorithm is improved to prevent the PSO algorithm from being local optimization due to “precociousness”, so as to obtain the weight and threshold set of the BP neural network model. The results of actual case verification show that the convergence of the CSAPSO-BP neural network model is higher than that of the PSO-BP neural network model and the SAPSO-BP neural network model, and the average absolute error ratio is 25.23% and 14.19% lower than the latter two respectively.
Keywords: Chaos model; simulated annealing particle swarm; CSAPSO-BP neural network; dynamic average fitness weight
参考文献：
[1] 范勇，裴勇，杨广栋，等. 基于改进PSO-BP 神经网络的爆破振动速度峰值预测 [J]. 振动与冲击，2022，41（16）：194-203+302.
[2] 王清华，加世滢，胡建华，等. 基于GRA 的PSO-BP 神经网络斜轧穿孔管形预测 [J]. 锻压技术，2022，47（8）：88-94.
[3] 吴炬卓，陈书原，牛海清，等. 混沌粒子群优化小波神经网络在电能质量扰动信号分类中的应用 [J]. 电器与能效管理技术，2022（2）：68-73.
[4] 段新会，李文鑫. 基于改进粒子群优化神经网络的超短期风速预测 [J]. 自动化与仪表，2021，36（3）：76-80.
[5] 李强，车文龙. 基于改进粒子群优化神经网络的电机故障诊断 [J]. 电气传动，2020，50（1）：103-108.
[6] 成枢，马卫骄，高秀明，等.CPSO-BP 组合优化模型的滑坡位移预测 [J]. 测绘科学，2019，44（10）：65-71.
[7] 李升健，黄灿英，陈艳. 基于改进PSO-BP 网络的配电网故障选线与测距 [J]. 沈阳工业大学学报，2019，41（1）：6-11.
[8] 甘地. 一种新的基于正弦自适应权重的模拟退火粒子群优化算法 [J]. 科技创新与应用，2022，12（5）：11-14.
[9] 吴金文，王玉鹏，周海波. 基于模拟退火耦合粒子群算法优化BP 神经网络的机床主轴热误差补偿研究 [J]. 机床与液压，2019，47（11）：92-95.
[10] 张荣光，胡晓辉，宗永胜. 基于改进离散粒子群优化的连续属性离散化 [J]. 计算机工程与应用，2017，53（18）：108-114+235.
[11] DONG X，WANG Y D，WANG Z. Intelligent Meta-Model Construction and Global Stochastic Sensitivity Analysis Based on PSOCNN [J].Structures，2022，43：1516-1529.
[12] WANG Z P，TIAN J C，FENG K P. Optimal Allocation of Regional Water Resources Based on Simulated Annealing Particle Swarm Optimization Algorithm [J].Energy Reports，2022，8：9119-9126.
[13] JING W Q，ZHEN M，GUAN H J，et al. A Prediction Model for Building Energy Consumption in a Shopping Mall Based on Chaos Theory [J].Energy Reports，2022，8：5305-5312.
[14] SHANG Y，MIAO L J，SHAN Y P，et al. A Hybrid Ultra-Short-Term and Short-Term Wind Speed Forecasting Method Based on CEEMDAN and GA-BPNN [J].Weather and Forecasting，2022，37（4）：415-428.
作者简介：胡水源（1998—），男，汉族，湖北武汉人，硕士研究生在读，研究方向：机器学习与智能信息处理；
通信作者：陈以（1963—），男，汉族，广西玉林人，教授，硕士研究生导师，硕士，研究方向：智能控制、计算机应用技术。