[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

说明书

本发明公开了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，包括步骤A，数据预处理；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；步骤B1，组内合作；步骤B2，每一组的质心与其他组的质心进行通信；步骤B3，每一组的成员与种群内的其他成员进行随机交叉；步骤B4，在每一质心之间的通信和每一成员的随机交叉过程中，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。本发明提高了预测数据的准确性以及训练模型的完整度。

技术领域

本发明涉及红树林生态保护技术领域及数据挖掘技术领域，尤其涉及一种 基于动态群优化算法的红树林生态健康预测训练方法。

背景技术

红树林是生长于热带和亚热带海岸潮间带、兼具陆地和海洋生态系统特 性的木本植物群落，有着“造陆先锋”、“海岸卫士”、“生物净化筛”之称， 在防浪护堤、净化污染等方面发挥着至关重要的作用。红树林湿地生态系统素 有“物种基因库”之称，保护好红树林生态系统的完整性是维持生物多样性的 重要基础之一。

红树林湿地生态环境的监测、保护及病虫害控制对于支撑我国东南沿海 的近海海洋生态安全和可持续发展具有重要战略意义。然而近年来，由于人类 活动的破坏，红树林资源急剧减少，建立起一个可靠的红树林生态健康监测和 评估系统以此加快生态环境监测网络的建设，进而为环保标准的制定和政府决 策提供重要依据，促进环境保障工作的有序高效进行，从而提升环境质量是必 需的。

为此，现有技术中出现了主要通过神经网络算法而进行的生态监测。基于 神经网络的结构建设，其包括一种学习训练方法，该训练方法主要分为梯度法 和启发法两类：梯度法是指通过计算目标函数的一阶导数、甚至二阶导数快速 求得局部最小值的方法，其是根据梯度下降的方向去寻找最小值，因此它能快 速收敛到最近的最小值，即目标最优值，梯度法中目前应用最广泛的是反向传 播(BP)算法，它是1986年由Rumelhart和McClelland为首的科学家提出的概 念，是一种按照误差逆向传播算法训练的多层前馈神经网络；启发式算法是一 个基于直观或经验构造的算法，在可接受的花费(指计算时间和空间)下给出待解决组合优化问题每一个实例的一个可行解，该可行解与最优解的偏离程度 一般不能被预计。

目前，启发式算法以仿自然体算法为主，主要有遗传算法、模拟退火法、 粒子群优化算法等。与启发式算法相比，梯度法局部搜索能力强，能快速收敛 到最优值。但是，其很难找到全局的最优值，同样地，在该梯度法原理下，初 始点的位置显得至关重要，如图2所示，如果红点所在位置是初始值，那么该 算法会带着它向黑色线条所标注的方向去找最小值，然后就会找到右边的局部 最小值并且停滞不前，可见，该点并不是目标全局最优值。梯度算法在具体训 练中存在以下问题：1)算法对初始值敏感，不同的初始值会得到不同的结果； 2)容易陷入局部最优值；3)学习率是梯度法中一个很重要的超参数，如果学 习率过大，算法难以收敛，太小又可能过早收敛，而调节参数是一件比较困难 的事情；4)如果搜索空间很复杂，容易出现震荡的现象。

与梯度法相比，启发式算法非单一地按照特定的方向更新，其允许随机突 变，并三类算法：基于单个解的算法，基于种群的算法和其他相关算法。大多 数启发式算法主要是通过模拟动物的行为，从而形成一种寻找全局最优解的搜 索方法。比如早期的遗传算法，它是通过模拟大自然中生物进化的历程来解决 问题的。大自然中一个种群经历过若干代的自然选择后，剩下的种群必定是适 应环境的。把一个问题所有的解看做一个种群，经历过若干次的自然选择以后， 剩下的解便问题的最优解。遗传算法大致过程分为初始化编码、个体评价、选 择、交叉、变异。启发式算法的优点就在于，它克服了梯度法对初始值敏感和 容易陷入局部最优值的缺陷，在全局探索上更有优势。但也由于它的随机性， 它的收敛速度就要慢一些，而且在局部搜索方面都有一定的限制。