《表6 所提算法与GA所需样本量对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于神经网络的仿真优化算法设计》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

（6） 对比传统仿真优化方法，即直接将仿真函数看做目标函数进行优化，选取遗传算法（genetic algorithm，GA，调用Matlab的ga函数，取默认参数值）进行优化，如表6所示，找到最优解为（-0.289 5，-0.125 7），对应的仿真期望值为-3.935 6（相比本文结果精度较低），调用了仿真函数2 020次。从结果可以看出，一方面，一次GA算法涉及大量个体的计算，需要大量获取仿真样本（如这里用了2 020个），要明显多于本文算法（初始1 681个+增补10个）；另一方面，GA算法可能陷入局部极小，为避免陷入局部极小可多次执行GA算法，但所需样本量将成倍增多。因此，与传统仿真优化方法相比，本文方法能够针对性增补样本，尽可能减少仿真次数，同时保证全局最优。