计算机应用

作者：佘维, 李阳, 钟李红, 孔德锋, 田钊

单位：1.郑州大学 网络空间安全学院, 郑州 450001；2.嵩山实验室, 郑州 450000；3.互联网医疗与健康服务河南省协同创新中心(郑州大学), 郑州 450052；4.郑州市区块链与数据智能重点实验室(郑州大学), 郑州 450001；5.郑州大学 计算机与人工智能学院, 郑州 450001；6.军事科学院国防工程研究院 工程防护研究所, 河南 洛阳 471023

关键词：实数编码,遗传算法,超参数优化,进化神经网络,机器学习

基金：嵩山实验室预研项目(YYYY022022003);河南省重点研发与推广专项(212102310039)

针对神经网络超参数优化效果差、容易陷入次优解和优化效率低的问题，提出一种基于改进实数编码遗传算法（IRCGA）的深度神经网络超参数优化算法——IRCGA-DNN（IRCGA for Deep Neural Network）。首先，采用实数编码方式表示超参数的取值，使超参数的搜索空间更灵活；然后，引入分层比例选择算子增加解集多样性；最后，分别设计了改进的单点交叉和变异算子，以更全面地探索超参数空间，提高优化算法的效率和质量。基于两个仿真数据集，验证IRCGA-DNN的毁伤效果预测性能和收敛效率。实验结果表明，在两个数据集上，与GA-DNN（Genetic Algorithm for Deep Neural Network）相比，所提算法的收敛迭代次数分别减少了8.7%和13.6%，均方误差（MSE）相差不大；与IGA-DNN（Improved GA-DNN）相比，IRCGA-DNN的收敛迭代次数分别减少了22.2%和13.6%。实验结果表明，所提算法收敛速度和预测性能均更优，能有效处理神经网络超参数优化问题。

来源：2024年第3期

《计算机应用》期刊编辑部

查看计算机应用杂志2024年第3期