[发明专利]基于遗传人工鱼群优化RBF神经网络短期负荷预测方法

权利要求书

1.一种基于遗传人工鱼群优化RBF神经网络短期负荷预测方法，其特征在于，通过把遗传算法中的选择、交叉、变异机制引入人工鱼群优化算法，实现了人工鱼个体的跳变，从而调整优化了群体，在提高了人工鱼群算法收敛速度的同时保证了全局搜索能力，该融合算法优化RBF神经网络的设计步骤如下：

第一步，初始化：

清除连续不变化或变化很小的迭代次数NoChangeNum，输入人工鱼的数目N，最大迭代次数number，人工鱼的可视域visual，人工鱼的最大步长step，拥挤度因子δ；产生初始权值ω_ij(0),每一个分量均为[-1,1]区间内的随机数；以网络的输出误差E定义各人工鱼个体当前位置的食物浓度FC＝1/E，取FC为最大值者进入公告板，将其赋给公告板；

第二步，人工鱼群优化行为：

各人工鱼分别模拟聚群、追尾行为后以最优值执行，缺省方式为觅食行为；

觅食行为时的权值学习方式为：

其中：

追尾行为和聚群行为时的学习方式：

以X_max为中心c，以最短距离d_min来确定宽度计算输出样本X＝[x₁,x₂,…,x_k]^T网络的输出的一般表达式为：

如果令：

W(k)＝[W₁(k),W₂(k),…,W_M(k)]^T

(5)

则输出的一般表达式变为

Y(k)＝H(k)·W(k)

(6)

上式是具有最小二乘问题的一般形式，在获得大量离散状态值后，网络的权值可用递推最小二乘方法来识别，具体公式如下，

式中，I为单位矩阵，取这里ε_p为一个小的正数，一般在10^-5左右；

第三步，更新公告板：

人工鱼每行动一次后，将自身函数值FC与公告板FC比较，如果优于公告板，则以自身取代之，同时清零NoChangeNum；

第四步，判断是否需要引入遗传算法：

判断NoChangeNum是否已达到预置的最大阈值MaxNCN,若是，执行第五步；否则执行第六步；

第五步，选择、交叉、变异操作：

对鱼群内除公告板中最优个体外其它所有人工鱼执行选择、交叉、变异操作，清零NoChangeNum；

第六步，终止判断：

判断迭代次数Num是否已达到最大迭代次数MaxNum，若不满足，则Num+1，NoChangeNum+1，执行第三步，否则执行第七步；

第七步，算法终止，输出最优解。

2.根据权利要求1所述的一种基于遗传人工鱼群优化RBF神经网络短期负荷预测方法，其特征在于：

所述RBF神经网络的输出计算方法为：

设网络输入k维向量X，输出m维向量Y，样本对长度为L，隐层节点相关的中心参数为c_i，宽度参数为σ_i，隐层至输出层连接权值为ω_i，网络隐层第i个节点的输出为：

网络输出层第j个节点的输出为隐节点的输出的线性组合；

式中，w_ji为q_i与y_j的连接权值；

所述RBF神经网络的学习算法为：

第一步，对所有样本的输入进行聚类，求得各隐含层节点的RBF的中心c_i和宽度σ_i；

第二步，当c_i确定后，采用LMS算法训练由隐层至输出层之间的权值，LMS算法即δ法则，权值调整用以下公式：

式中，为期望输出与实际输出的差值，α是常值，0<α<1。