基于粒子群优化和先验信息的约束学习算法研究

我们采用双重搜索策略来设计算法：先采取粒子群优化（PSO）进行全局搜索，再在全局搜索的范围内用改进的局部搜索算法搜索。同时，将问题对象所蕴涵的先验信息分别耦合进PSO和局部搜索算法中，以确定粒子搜索空间和优化适应度函数，并利用先验信息在局部搜索算法的误差代价函数中构造网络推广能力的促进子和约束权值振荡的矫正项。这是神经网络领域一个崭新的研究方向。这种新的学习算法因双重搜索和问题先验信息的约束指导，能够最大限度地避免误差表面上存在的局部极小值解，使得网络权值的迭代沿着问题先验信息的方向前进，从而明显地加快了网络的收敛速度。经过这种新学习算法学习的神经网络也将具有很强的推广能力，使得神经网络能够更方便地用来解决许多实际问题。最后将该算法应用于神经计算与高复杂性数据的处理和分析上。该课题为与"机器学习"等有关的应用基础研究，它的深入研究将给智能计算、信息处理等领域带来更大的发展。