径向基函数神经网络辅助的微粒群算法

由于微粒群算法在获得最优解或近似最优解之前往往需要进行大量的目标函数评价,因此其在求解复杂优化问题时的时间消耗是不可接受的,导致其在这类优化问题上的应用受到了很大的限制。为此,我们提出使用计算廉价的径向基函数神经网络作为代理模型以替换真实的计算费时的目标函数计算。当其估值优于个体历史最优值时才进行真实的目标函数计算,从而节省计算成本。通过在6个50维的标准测试函数上的实验结果分析,该方法能够在相同目标函数评价次数下获得比标准微粒群算法更优的解,表明了所提方法对于求解复杂优化问题的有效性。