知识卡片
PSO把网络参数作为候选解
用 PSO 训练网络时,每个粒子的位置 x 就是一整套权重和偏置,以平方损失 L=½‖y−h_{w,b}(x)‖² 评价它(y 为类别标签,h 为网络输出)。每轮按下式更新第 i 个粒子的第 d 维:
v ← ωv + c₁·Rand·(p_i−x) + c₂·Rand·(p_g−x),x ← x+v
ω 是惯性权重,保留旧速度;p_i 是该粒子自己找到过的最好位置,p_g 是全群最好位置;c₁、c₂ 是加速系数,Rand 为随机数。更新后重算损失,若更好就替换 p_i、p_g,直到损失低于阈值 T_min。损失阈值只是停止条件,不能证明动态稳定或全局最优;实践还需最大迭代预算、参数边界和独立验证,避免昂贵搜索与过拟合。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 2 2 . 1 . 1 P S O 自 编 码 网 络 · 查看原书依据
min 步骤3:对于种群中的每一个粒子,对它们的速度和位置按照如下公式进行更新计算: 步骤4:依据更新得到的粒子,计算网络当前的适应度值。根据适应度值的大小,更新个体最优和种群最优。
参考来源
- 位置:《智能算法导论》第 211 项《22.1.1 PSO自编码网络》(源文件:`_epub-src/EPUB/xhtml/chapter22_0002.xhtml`)
- 结论依据:正文及式22-1/22-2给出平方损失、速度位置更新、最优记忆及阈值循环;“系统稳定”与“最优解”仅为原文描述,不作为证明。
- 原始内容:依据更新得到的粒子,计算网络当前的适应度值。根据适应度值的大小,更新个体最优和种群最优……若未达到损失函数阈值要求,则转向步骤2继续进行。