GPU上基于改进精英策略差分演化的神经网络学习算法

• 作者: 吴志健 周新宇 王晓峰 郭肇禄
• 来源期刊: 小型微型计算机系统
• 学科: 工学
• 关键词: 差分演化 神经网络 并行算法 GPU
• 年，卷（期）: 2016,（1）
• 所属期刊栏目: 人工智能与算法研究
• 页码范围: 129-133
• 页数: 5页
• 分类号: TP18
• 字数: 5742字
• 语种: 中文

摘要

神经网络在诸多领域中取得了极为成功的应用,然而传统基于梯度下降的神经网络学习算法容易陷入局部最优,导致欠拟合,影响了神经网络模型的学习效果.针对该问题,提出GPU上基于改进精英策略差分演化的神经网络学习算法,利用损失函数梯度信息初始化一部分种群个体,同时利用变异种群精英信息指导搜索,并且在GPU上并行演化,在机器学习算法基准测试数据集上与传统基于误差反向传播的神经网络学习算法以及传统基于差分演化的神经网络学习算法进行了对比.同时,也与CPU上改进精英策略差分演化的神经网络学习算法的性能进行了比较,结果表明本文提出的算法训练时间更短,预测精度更高.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	王晓峰	武汉大学软件工程国家重点实验室	19	79	4.0	8.0
5	吴志健	武汉大学软件工程国家重点实验室	47	513	13.0	21.0
9	郭肇禄	江西理工大学理学院	15	197	6.0	14.0
10	周新宇	武汉大学软件工程国家重点实验室	6	142	4.0	6.0