【差分进化杂草算法优化神经网络权阈值实现函数拟合】1，杂草改进策略及其标准函数的极值寻优测试，测试sphere函数，极值为0，维度30
文章图片
差分进化杂草算法是在杂草优化算法的基础上添加变异交叉选择操作。
这是普通的杂草优化及其参数
文章图片
这是增加选择交叉变异操作后的差分进化杂草相关参数及其适应度曲线（取了对数log的，越负则log前的数越接近于0），其他参数均相同，只添加交叉和变异概率，选择是基于
文章图片
由此可以看出改进后的杂草比普通的杂草效果更好。
2，杂草优化bp网络进行函数拟合，2输入 1输出。数据来源《MATLAB神经网络43个案例分析》第3章。
文章图片
3 差分进化杂草优化神经网络
文章图片
从以上分析可以明显看出，改进后的差分杂草效果优于普通的杂草优化
补充：适应度函数是最小化BP网络训练集的预测数据与实际输出之间的均方差。本文将其应用与优化bp神经网络进行分类 同样取得不错的结果，可加我qq2919218574进行讨论
推荐阅读
- paddle|动手从头实现LSTM
- 人工智能|干货！人体姿态估计与运动预测
- 推荐系统论文进阶|CTR预估 论文精读(十一)--Deep Interest Evolution Network(DIEN)
- Python专栏|数据分析的常规流程
- 读书笔记|《白话大数据和机器学习》学习笔记1
- Pytorch学习|sklearn-SVM 模型保存、交叉验证与网格搜索
- Python机器学习基础与进阶|Python机器学习--集成学习算法--XGBoost算法
- 深度学习|深度学习笔记总结
- 机器学习|机器学习Sklearn学习总结
- 机器学习|线性回归原理与python实现