[发明专利]一种基于动态群优化算法的红树林生态健康预测训练方法

权利要求书

1.一种基于动态群优化算法的红树林生态健康预测训练方法，其特征在于，所述方法包括以下步骤：

步骤X，建立红树林生态数据集；

步骤A，数据预处理，基于粒子群优化和信息熵的算法进行数据生成；

步骤A1，基于PSO算法的数据生成模块；

步骤A2，基于相对熵和余弦相似度的相似性评估模块；

步骤B，基于DGO算法进行模型训练，其模型包括种群，种群内包括若干个由质心和成员所组成的组；

步骤B1，组内合作，其用于成员更新，以组合适应度最大的成员并得出最优解，该成员更新包括正常更新和突变；

步骤B2，每一组的质心与其他组的质心进行通信；

步骤B3，每一组的成员随机与种群内的其他成员进行交叉；

步骤B4，在步骤B2和B3中，搜寻所述突变情况，基于该突变情况查出与此对应的成员，将该成员随机转移到其它组；

步骤C,结合BP算法和DGO算法配合步骤B进行前馈神经网络的训练。

2.根据权利要求1所述的基于动态群优化算法的红树林生态健康预测训练方法，其特征在于，所述步骤C中的训练过程包括以下步骤：

步骤C1，基于DGO算法，通过组间通信和组内合作进行种群中每组内的个体成员之间适应度的计算，该计算是基于BP算法，其包括首先参数初始化，而后对其进行梯度下降训练，最后通过函数损失值的计算得出所述适应度；

步骤C2，基于步骤B4更新每一组的质心；

步骤C3，是否满足迭代终止条件，若是，则根据当前数据信息得出相关参数及适应度；若否，则返回步骤C1并依次重复前述步骤，直到满足迭代终止条件为止。

3.根据权利要求1或2所述的基于动态群优化算法的红树林生态健康预测训练方法，其特征在于，所述步骤A2还包括计算种群内每个个体成员之间的适合度，并根据该适合度更新种群内的个体，同时得到最大适应度的个体，将其结果添加到数据集中，以此对数据集进行评估，该评估过程包括：

S1，将数据集编码为种群

P＝(g₁，g₂，...，g_n)

g＝(x₁，x₂，...，x_m)

其中，P为种群，g为种群中的组，n为设置的种群组数，m为组内个体的长度；

S2，通过PSO算法进行种群扩充，PSO中包括与其每一个个体对应的粒子，该粒子存在于d维空间中，在其种群扩充过程中，包括对粒子在该d维空间中的位置、速度和其经过的历史最优点位置，以及种群所经过的最优点位置，上述表达式如下：

粒子i的位置，x_i＝(x_i1，x_i2，...，x_id)，i＝1，2，...，m；

粒子i的速度，v_i＝(v_i1，v_i2，...，v_id)，i＝1，2，...，n；

粒子i经过的最优点位置，p_i＝(p_i1，p_i2，...，p_id)，i＝1，2，...，m；

种群所经过的最优点位置，p_g＝(p_g1，p_g2，...，p_gd)；

其中，每个粒子以当前的位置和速度进行位置更新，所述更新公式如下：

t时刻到t+1时刻的速度，

t时刻到t+1时刻的位置，

其中，为当前粒子所经过的最优点位置，为当前粒子所经过的最优点位置，ω为惯性权重，c₁c₂为学习因子，r₁r₂为[0，1]之间的随机数；

S3，评估所扩充的新个体，其包括对相对熵和余弦相似度的计算，计算公式如下：

f(P_O，P_G)＝f_E(P_O，P_G)+f_K(P_O，P_G)+f_C(P_O，P_G)

其中，P_O，P_G分别表示原始的红树林生态监测数据和生成数据，f(P_O，P_G)表示相似度；

f_E(P_O，P_G)＝|H(P_G)-H(P_o)|

其中，H(P_G)表示生成数据的信息熵，H(P_o)表示原始数据的信息熵；

和分别表示P_O，P_G在第i位置的概率值；

P_G(X_i)和P_O(X_i)分别表示P_O，P_G在第i位置的值；

依次重复步骤S2和步骤S3，以配合所述步骤C3，直到满足迭代终止条件为止。