ディープラーニング Extreme Learning Machine (GWO-DELM) データ回帰予測における Matlab ベースの Gray Wolf アルゴリズムの改良
この記事では、Matlab ベースの Gray Wolf アルゴリズムを改善して、データ回帰予測問題におけるディープラーニング Extreme Learning Machine (DELM) のパフォーマンスを向上させる方法を検討します。Gray Wolf アルゴリズムの基本原理を紹介し、DELM フレームワークを組み合わせて改良されたアルゴリズムを実現します。さらに、読者の理解と実践に役立つ、対応するソース コードも提供します。
1. ハイイロオオカミアルゴリズムの概要
ハイイロオオカミ最適化（略してGWO）は、自然界のハイイロオオカミの群れの行動パターンに基づいた最適化アルゴリズムです。ハイイロオオカミの群れのリーダー、フォロワー、マスターレスの行動特性をシミュレートします。これらの動作をシミュレートすることにより、ハイイロオオカミ アルゴリズムは最適な解を見つけることができ、関数最適化問題で広く使用されています。
2. DELM フレームワークの紹介
Extreme Learning Machine (Extreme Learning Machine、ELM と呼ばれる) は、高速、シンプル、効果的なニューラル ネットワーク学習アルゴリズムです。トレーニング プロセス中に重みとバイアスを調整する必要はなく、入力層と隠れ層の間の接続重みをランダムに生成し、正則化手法を通じて出力層の重みを解くだけで済みます。DELM は ELM の改良版であり、非線形問題を扱う際の汎化能力と学習速度が向上しています。
3. GWO-DELM アルゴリズムの改善アイデア
データ回帰予測における GWO-DELM のパフォーマンスを向上させるために、次の改善アイデアを提案します。
-
マルチグループ検索戦略:
オリジナルの GWO アルゴリズムがハイイロオオカミの複数のグループに拡張され、各グループが独立して検索します。複数のグループを導入することにより、検索空間のカバー範囲を拡大し、グローバル検索能力を向上させることができます。 -
適応調整パラメータ:
反復の各ラウンドで、現在の適応度値の変化に従って、アルゴリズムのパラメータが適応的に調整されます。このようにして、アルゴリズムは、初期段階では探索にさらに注意を払い、後の段階では局所探索にさらに注意を払うことができ、アルゴリズムの収束速度と精度が向上します。 -
候補者の代替選択戦略