基于改進麻雀搜索算法的優化型極限學習機

張恩輔　段冰冰　劉津平　馬云鵬　金音

關鍵詞：極限學習機;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）

極限學習機[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網絡模型，該模型簡單、運算速度高，具有較好的回歸預測能力[2]。然而，ELM存在隨機的權閾值，可能導致其出現穩定性差和泛化性能不高等問題，而群體智能優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]首先利用教與學的策略擴大算法的搜索范圍，其次結合滑動窗口技術對ELM 的參數進行優化，最后應用于預測赤鐵礦的研磨粒度，經過改進的ELM擁有更快的收斂速度和預測準確度，但算法的穩定性仍有待提高。