基于改进麻雀搜索算法的优化型极限学习机

张恩辅　段冰冰　刘津平　马云鹏　金音

关键词：极限学习机;麻雀搜索算法;分组机制;模拟退火

中图分类号：TP181 文献标志码：A

0 引言（Introduction）

极限学习机[1]（Extreme Learning Machine， ELM）是黄广斌教授于2004年提出的一种单隐层前馈神经网络模型，该模型简单、运算速度高，具有较好的回归预测能力[2]。然而，ELM存在随机的权阈值，可能导致其出现稳定性差和泛化性能不高等问题，而群体智能优化算法可以解决以上问题。

XUE等[3]于2020年提出麻雀搜索算法（Sparrow SearchAlgorithm， SSA），但该算法仍存在种群多样性不足和易陷入局部最优等缺点，为进一步提高SSA的性能，SUN等[4]将混沌映射机制与柯西变异扰动策略结合，提升了原始算法的种群多样性，增强了全局搜索能力。LIU等[5]首先利用教与学的策略扩大算法的搜索范围，其次结合滑動窗口技术对ELM 的参数进行优化，最后应用于预测赤铁矿的研磨粒度，经过改进的ELM拥有更快的收敛速度和预测准确度，但算法的稳定性仍有待提高。