基于改进狮群算法和BP神经网络模型的磨矿浓度预测

针对当前选矿生产过程中磨矿参数难以实时测量，导致的无法对磨矿流程控制进行有效实时优化的问题，提出了一种基于改进狮群算法和BP神经网络的磨矿浓度预测方法。传统的狮群算法(Lion Swarm Optimization, LSO)存在容易陷入局部最优解和局部搜索能力弱的问题，通过改变狮王更新方式的同时加入衰减因子，来提升全局搜索能力，避免陷入局部最优解，对于母狮和学习狮的更新方式引入了动态学习策略，来优化局部搜索能力，并在仿真测试中验证了改进算法的优越性。同时利用改进的算法代替BP神经网络中的梯度下降法，来搜索最优的权值和阈值，提升BP神经网络收敛速度和收敛精度。试验结果表明，改进狮群算法优化的BP神经网络(Improved Lion Swarm Optimization-BP,ILSO-BP)在此预测问题上有更好的效果。