基于改進麻雀搜索算法的優(yōu)化型極限學(xué)習(xí)機

張恩輔　段冰冰　劉津平　馬云鵬　金音

關(guān)鍵詞：極限學(xué)習(xí)機;麻雀搜索算法;分組機制;模擬退火

中圖分類號：TP181 文獻標志碼：A

0 引言（Introduction）

極限學(xué)習(xí)機[1]（Extreme Learning Machine， ELM）是黃廣斌教授于2004年提出的一種單隱層前饋神經(jīng)網(wǎng)絡(luò)模型，該模型簡單、運算速度高，具有較好的回歸預(yù)測能力[2]。然而，ELM存在隨機的權(quán)閾值，可能導(dǎo)致其出現(xiàn)穩(wěn)定性差和泛化性能不高等問題，而群體智能優(yōu)化算法可以解決以上問題。

XUE等[3]于2020年提出麻雀搜索算法（Sparrow SearchAlgorithm， SSA），但該算法仍存在種群多樣性不足和易陷入局部最優(yōu)等缺點，為進一步提高SSA的性能，SUN等[4]將混沌映射機制與柯西變異擾動策略結(jié)合，提升了原始算法的種群多樣性，增強了全局搜索能力。LIU等[5]首先利用教與學(xué)的策略擴大算法的搜索范圍，其次結(jié)合滑動窗口技術(shù)對ELM 的參數(shù)進行優(yōu)化，最后應(yīng)用于預(yù)測赤鐵礦的研磨粒度，經(jīng)過改進的ELM擁有更快的收斂速度和預(yù)測準確度，但算法的穩(wěn)定性仍有待提高。