刘 帅 徐伟娜

1中信重工工程技术有限责任公司（471039）

2矿山重型装备国家重点实验室（中信重工机械股份有限公司）（471000）

1 基于PSO-RBF优化算法的设计及流程

首先是PSO算法的微粒编码[1]，在确定RBF神经网络的内部参数后，要将径向基函数神经网络的核函数的中心矢量、宽度和网络权值的初始值转换成一个新的位置向量进行编码。

PSO-RBF优化算法的设计步骤:

1）获得RBF神经网络的用于测试和训练网络的输入、输出样本数据。

2）确定RBF神经网络的内部参数组成，并用改进的微粒群算法进行编码，然后初始化改进的微粒群[2]。

3）对每一个微粒个体进行译码，获得微粒相应的RBF神经网络的控制参数，确定输入数据在此径向基神经网络下的相应的输出，并把其与输出数据送到径向基神经网络的目标函数，获得微粒的个体极值。

线性减小惯性权重的方法为[3]:

式中:wMin、wMax分别为微粒群算法的最小和最大的加权因子，iterMax为微粒总的迭代数目，iter为现在迭代数目。

为了改善算法的收敛性，在该方法中，对w、c1和c2的值分别有了确定，以改善算法的收敛。即将改写为:

式中，φ=c1+c2＞4，其设置为:c1=2.05、c2=2.05。

4）对微粒的目标函数进行分析判断，找到微粒群的全局极值[4]。

5）对微粒群算法的全局极值是否满足终止的条件进行判断。如果满足结束条件，退出PSO的寻优过程，转入第（7）步。

6）对微粒群的每一个微粒进行更新然后再转向第（3）步。

7）对微粒群中最优的全局极值所对应的微粒个体进行译码，并作为径向基神经网络的初值开始网络训练。……