【技术实现步骤摘要】
本专利技术属于神经网络架构搜索优化，具体涉及一种基于粒子群优化算法的pinn模型架构搜索优化方法。
技术介绍
1、内嵌物理神经网络pinn，是一类用于解决有监督学习任务的神经网络，在训练过程中加入了物理方程作为约束，使其得出的结果更符合现实，可用于解决与偏微分方程相关的各种问题，包括方程求解、参数反演、模型发现以及控制与优化等。
2、而神经架构搜索是一种自动设计神经网络的技术，可以通过算法根据样本集自动设计出高性能的网络结构，有效地降低了神经网络的使用和实现成本。现有pinn模型中神经架构过于单一，网络中隐藏层通常是固定的，这影响了模型的质量。因此在利用内嵌物理神经网络pinn求解偏微分方程时，需要一种可以高效的搜索最优神经架构的方法，通过使搜索空间中的神经架构隐藏层数及每层的神经单元数均可变化，增加网络的复杂度和多样性，为快速得到高性能的模型提供了更大的可能性。
技术实现思路
1、本专利技术提供了一种基于粒子群优化算法的pinn模型架构搜索优化方法，解决了现有pinn模型中神...
【技术保护点】
1.一种基于粒子群优化算法的PINN模型架构搜索优化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于粒子群优化算法的PINN模型架构搜索优化方法，其特征在于，所述步骤S1的具体步骤为：
3.根据权利要求2所述的基于粒子群优化算法的PINN模型架构搜索优化方法，其特征在于，所述步骤S11中种群参数包括种群的惯性因子ω、个体学习因子c1、群体学习因子c2、搜索空间维度D，种群大小N以及最大迭代次数K。
4.根据权利要求2所述的基于粒子群优化算法的PINN模型架构搜索优化方法，其特征在于，所述步骤S13中粒子的位置向量由PI...
【技术特征摘要】
1.一种基于粒子群优化算法的pinn模型架构搜索优化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于粒子群优化算法的pinn模型架构搜索优化方法，其特征在于，所述步骤s1的具体步骤为：
3.根据权利要求2所述的基于粒子群优化算法的pinn模型架构搜索优化方法，其特征在于，所述步骤s11中种群参数包括种群的惯性因子ω、个体学习因子c1、群体学习因子c2、搜索空间维度d，种群大小n以及最大迭代次数k。
4.根据权利要求2所述的基于粒子群优化算法的pinn模型架构搜索优化方法，其特征在于，所述步骤s13中粒子的位置向量由pinn模型中隐藏层层数以及隐藏层的神经单元数构成；
5.根据权利要求1所述的基于粒子群优化算法的pinn模型架构...
【专利技术属性】
技术研发人员：王乙稀，冯文韬，俞蔡阳，汤臣薇，王一凡，黄睿，胡明，
申请(专利权)人：四川大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。