.png){kind=icon}
返回
Fractional-order differential evolution for training dendritic neuron model
.png){kind=icon}
PRE
AI
DOI：10.1007/s11227-025-08004-0.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
树突神经元模型（DNM）因其模拟生物神经元复杂信息处理的能力而受到广泛关注，但其性能严重受限，因为误差反向传播（BP）算法易受局部极小值、鞍点和初始参数敏感性的影响。为解决这一问题，本文提出将分数阶导数与差分进化算法相结合以训练DNM，该方法被称为分数阶差分进化（FODE）算法。基于分数阶微积分的幂律记忆特性，改进了差分进化算法的变异步骤，以融入适应性并采用分数阶个体，从而实现对搜索空间更聚焦和有效的探索。此外，我们采用由精英个体和外部存档引导的鲁棒变异策略以增强种群多样性，同时保留基于Beta分布的动态交叉策略，突破简单线性组合的限制。FODE的另一改进是对变异参数F和交叉概率CR进行动态处理，以提升搜索效率与全局优化性能。鉴于分数阶运算和基于种群的进化优化的计算密集性，本研究依赖高性能计算（HPC）资源进行并行化和加速实验。通过与另外十一种算法在十二个数据集上的比较，证明FODE是训练DNM的一种优势显著的方法，这为分数阶理论在智能算法和神经网络研究中的应用开辟了新可能，并强调了超级计算在复杂算法设计中的必要性。
Keyword:
Dendritic neuron model
Fractional derivative
Differential evolution
Dynamic crossover operation
查看更多机构
.png){kind=icon}
