基于改进萤火虫优化算法的SVR空气污染物浓度预测模型

为了对空气污染物浓度进行准确预测,提出了基于改进萤火虫优化方法(IGSO)的支持向量机回归(SVR)空气污染物浓度预测模型.首先,利用佳点集理论、拥挤度以及变步长策略对萤火虫优化算法进行改进;其次,根据空气污染物浓度时间序列数据构造训练集,运用IGSO算法寻找SVR的最优参数;最后,利用基于最优参数的SVR实现对空气污染物浓度的预测.通过两部分的实验说明文章所提方法的性能.1)在8个标准测试函数上进行多次对比实验,结果显示IGSO算法相比于基于其他改进策略的萤火虫优化方法能够寻找到更优的目标函数值且方差较小,实验表明改进萤火虫优化算法在稳定性及求解精度方面性能较优.2)对京津冀地区空气污染物浓度进行实验,结果显示如下,首先,相比于萤火虫优化算法、粒子群优化算法以及遗传算法,文章基于IGSO对SVR参数的多次寻优结果波动较小,并且所得SVR模型的交叉验证误差及其方差较小;其次,与基于上述其他优化算法的SVR、基于网格搜索的SVR以及BP神经网络相比,文章方法对测试集的预测精度较高.因此,基于IGSO的SVR空气污染物浓度预测模型具有较高稳定性及预测精度.     

基于MTS特征选择的神经网络集成方法

在Bagging算法基础上,运用马田系统进行特征选择,形成双重扰动改善神经网络集成的分类性能.实验表明,双重扰动增加了集成网络个体精度和差异度,基于MTS-Bagging算法的分类性能相比于Bagging有明显提高.     

聚类优化RBF网络在锅炉燃烧中的应用

为了提高径向神经网络的训练精度,提出一种混合优化算法.算法将基于萤火虫算法的模糊聚类,应用到径向神经网络基函数中心向量的计算中,利用萤火虫算法良好的全局寻优能力来优化搜索基函数中心,提高了获取网络类中心的稳定性.锅炉燃烧优化的实例表明,混合优化算法达到了预期效果,提升了锅炉燃烧效率.     

基于二进制萤火虫算法的属性选择方法研究

属性选择是机器学习与模式识别中进行数据预处理的一个重要方法,特别是针对一些高维的数据集,其计算复杂度较高,对数据挖掘算法的性能影响较大.因此,文章在连续型萤火虫算法(GSO)基础上对萤火虫进行二进制编码,并结合修正后的sigmoid函数,提出一种基于二进制萤火虫算法的属性选择方法.该方法以数据集分形维数作为属性子集的评价准则,以二进制萤火虫算法作为搜索策略,通过对标准数据集UCI进行一系列实验,实验结果表明了该方法的有效性与可行性.     

基于自适应萤火虫算法的液压缸优化设计

针对液压缸优化设计问题,以液压机法兰支承液压缸为应用背景,在ANSYS软件中对液压缸进行有限元分析.建立以液压缸体积最小为优化目标的优化数学模型,提出一种自适应萤火虫算法求解模型对液压缸的结构参数进行优化.仿真结果表明,所提出自适应萤火虫算法比基本萤火虫算法收敛的精度更高,迭代次数更少,优化后液压缸的体积相对减少了42.3%,较好地解决了液压缸优化设计问题.进一步对优化后的油缸进行了有限元分析,验证了优化结果的正确性.     

小微企业信用风险评估的IDGSO-BP集成模型构建研究

针对传统BP神经网络在小微企业信用风险评估实际应用中,随机初始权值和阈值导致网络学习速度慢、易陷入局部解以及运算结果误差较大等缺陷,借助群智能萤火虫(GSO)算法,提出一种基于改进离散型萤火虫(IDGSO)算法的BP神经网络集成学习算法的小微企业信用风险评估IDGSO-BP模型。该模型以BP神经网络为基本框架,在学习过程中引入离散型萤火虫算法,优化设计神经网络的网络结构与连接权值,得到一组相对合适的权值与阈值,再进行新一轮网络训练,以“均平方误差最小”为评价准则,产生网络的输出结果,以此建立小微企业信用风险评估模型。其仿真实验结果表明,该模型在收敛速度及运算精度方面较传统BP神经网络模型、遗传GA-BP模型及连续GSO-BP模型有较明显优势。因此,IDGSO-BP模型可以有效提高小微企业信用风险评估的准确性。     

几类元启发式优化算法性能的比较研究

元启发式优化算法包括萤火虫算法、布谷鸟算法、蝙蝠算法及和声搜索算法等.选取20个标准测试函数,统计4种元启发式优化算法的运行结果.以算法运行的精确度、稳定性作为比较指标分析算法的求解性能,提出了3种比较算法优劣性的方法,总结了3种比较方法的优缺点.     

基于NFA-BP算法的企业经营状况评价模型

针对萤火虫算法(FA)易出现过早收敛,陷入局部最优的缺点,引入小生境技术,提出一种小生境萤火虫优化算法(NFA),通过测试后,利用其搜索BP神经网络的参数.最后建立基于小生境萤火虫优化BP算法的企业经营状况评价模型,并与传统的BP神经网络模型进行对比,仿真结果表明,基于NFA-BP算法的经营状况评价模型的正确识别率高于传统的BP模型,是一种有效的评价模型.     

基于PCA和改进的PSO-SVM的机器人移动方向分类

随着人们创新水平的不断提高,为了更加准确的实现机器人的导航任务,提出了一种基于改进的粒子群优化支持向量机中的参数的方法.首先利用主成分分析法对数据进行降维,然后利用改进的粒子群优化算法,对SVM中的惩罚参数c和核函数的参数g进行优化,最后代入到SVM中,以此来达到运用SVM对机器人的导航任务进行分类识别.相对于其他算法,容易发现改进的粒子群优化算法优化后的支持向量机可以达到很好的效果.这种识别分类可以帮助人们很好的对机器人进行导航,对今后机器人的研究具有很大的应用价值.     

基于改进萤火虫算法的开放式车辆路径问题

针对带软时间窗的多配送中心开放式车辆路径问题,提出了一种新改进的离散萤火虫算法,采用基于贪婪思想的随机邻域搜索策略来提高算法的局部和全局寻优能力;研究了一种步长自适应的方法,其根据当前迭代个体和进入下一次迭代的个体之间的距离自动调整步长,大大提高算法的精度和收敛速度.仿真实验表明了新改进算法的有效性及可行性.