融合蚁狮、基于生物地理的蜻蜓算法、进化策略、入侵杂草与联赛冠军优化混合算法合成多层感知机网络预测住宅建筑热负荷
神经与进化计算
2021-02-18 v1 机器学习
摘要
热负荷（HL）精确近似的重要性是本研究的主要动机，旨在从若干神经-元启发式模型中区分出最高效的预测模型。所提模型通过将多层感知机网络（MLP）与蚁狮优化（ALO）、基于生物地理的优化（BBO）、蜻蜓算法（DA）、进化策略（ES）、入侵杂草优化（IWO）及联赛冠军优化（LCA）混合算法相合成而构建。各集成模型就运行种群规模进行优化。相应地，ALO-MLP、BBO-MLP、DA-MLP、ES-MLP、IWO-MLP 与 LCA-MLP 分别在种群规模 350、400、200、500、50 与 300 时呈现最佳性能。通过比较实施了排序系统。基于所得总评分（OSs），BBO（OS = 36）表现为最强优化技术，其后为 ALO（OS = 27）与 ES（OS = 20）。由于这些算法的高效性能，相应的 MLP 可成为用于 HL 分析的传统方法的有前景替代者。
引用
@article{arxiv.2102.08928,
title = {Synthesizing multi-layer perceptron network with ant lion, biogeography-based dragonfly algorithm evolutionary strategy invasive weed and league champion optimization hybrid algorithms in predicting heating load in residential buildings},
author = {Hossein Moayedi and Amir Mosavi},
journal= {arXiv preprint arXiv:2102.08928},
year = {2021}
}
备注
24 pages, 7 figures