55、元启发式算法与供应链库存控制模拟优化模型研究

元启发式算法与供应链库存控制模拟优化模型研究

元启发式算法在极限学习机中的应用

在极限学习机（ELM）的研究中，将元启发式算法（MA）与ELM相结合的概念被提出。研究考察了参数值的选择对最终结果的影响，具体包括ELM隐藏层神经元数量、种群大小以及MA的停止条件。

通过对所有利用参数值的MA - ELM进行分析，在表6中展示了前5个最低均方误差（MSE）。对于LHHO和COA方法，当$S_n = 50$、$L = 100$和$k_n = 50$时产生了最佳结果。MA - ELM观察到的最低MSE为0.623，优于核心ELM方法检测到的MSE = 0.646。由于最佳结果是在相同的$L$值下达到的，所以这两种分类器对于该数据集具有相当的预测时间。

研究发现，即使隐藏层中的神经元数量比典型ELM少，混合ELM也能检测到更高的准确性，这导致模型的预测时间显著下降。令人惊讶的是，对于MNIST手写数据集，MA终止条件的最佳结果是5次迭代的硬限制；对于白葡萄酒质量数据集，是50次迭代的硬限制。但由于涉及的计算复杂性，无法研究MA终止条件为10000次迭代或适应度变化小于$\epsilon = 0.0001$的情况，这方面有待进一步研究。

研究中考察的种群大小设置为50、100和200，因为较低的值会导致结果不稳定，而较高的值会使实验的评估时间过长。总共测试了19种MA方法，其中SSA和MRFO在所有方法中脱颖而出，与其他方法相比，它们具有较高的准确性和较短的训练时间。不过，没有一种方法能在两个数据集上都产生出色的结果。同时，增加计算时间和提高结果之间没有直接关联，为特定任务选择合适的MA算法应基于综合评估。在研究中还发现，某些算法（如MGO、AEO、COA和LHHO）表现