基于烟花进化人工鱼群算法和多重分形的属性选择方法在空气质量预测中应用

日益严重的空气污染,严重影响日常生产生活.因此,亟需对空气质量进行预测.为了实现高效、科学的预测,需准确地选择出空气质量数据集中的关键影响因素,故提出了基于烟花进化人工鱼群算法和多重分形的属性选择方法,并应用于空气质量预测中.首先,采用混沌初始化方式生成初始种群,对人工鱼群算法进行离散化改进,并引入烟花进化机制,提出烟花进化人工鱼群算法(FEAFSA),提高算法的搜索效率;其次,融合FEAFSA和多重分形维数(MFD),对空气质量数据集进行属性选择,约简冗余、不相关属性,保留空气质量关键属性;最后,在8个UCI数据集上的实验结果表明,相较于其他属性选择方法,其能有效剔除冗余因素,性能更优,同时表明其有效性、稳定性和显著性.在进行性能测试之后,将其应用于北京、上海和广州地区的空气质量等级和指数预测中,取得了良好的预测效果.     

基于分形流形学习的支持向量机空气污染指数预测模型北大核心CSCD

针对目前北京、上海和广州地区较严重空气污染问题,建立了基于分形流形学习的支持向量机空气污染指数预测模型.首先采用分形理论计算出空气污染数据集分形维数;其次根据分形维数,采用流形学习将高维空气污染数据集通过非线性映射嵌入到低维空间中,对空气污染数据集进行降维;最后建立基于高斯核的支持向量机预测模型对三地区空气污染指数进行预测.北京、上海和广州三地空气污染指数预测结果表明,该模型较传统预测模型,预测性能更优,具有良好的稳定性和有效性.     

基于分形流形学习的支持向量机空气污染指数预测模型

针对目前北京、上海和广州地区较严重空气污染问题,建立了基于分形流形学习的支持向量机空气污染指数预测模型.首先采用分形理论计算出空气污染数据集分形维数;其次根据分形维数,采用流形学习将高维空气污染数据集通过非线性映射嵌入到低维空间中,对空气污染数据集进行降维;最后建立基于高斯核的支持向量机预测模型对三地区空气污染指数进行预测.北京、上海和广州三地空气污染指数预测结果表明,该模型较传统预测模型,预测性能更优,具有良好的稳定性和有效性.     

基于IAFSA-MUSIC算法的阵列信号DOA估计

针对传统MUSIC算法运算量过大以及低信噪比下分辨率差的问题,提出将改进人工鱼群算法与MUSIC的谱峰搜索相结合,利用鱼群觅食和追逐来对解空间进行高效搜索,从而保证算法收敛的快速性和全局性.聚群的存在促使少量陷于局部最优解的人工鱼向着全局最优解的方向靠拢,提高了鱼群对不利环境的自适应性,也增强了算法的稳定性.与此同时,改进人工鱼群算法在一定程度上加快了后期收敛速度,提高了算法的估计性能.实验结果表明在低信噪比时方法相较于MUSIC而言具有更好的估计性能,并且大大减少了运算量,保证了算法的实时性.     

基于改进二进制人工蜂群的BP神经网络并行集成学习算法及其应用研究

BP神经网络算法具有寻优效率不高、易发生早熟且最终求解精度不够等特点,针对以上问题,文章提出一种基于改进二进制人工蜂群算法(Improved Binary Artificial Bee Colony Algorithm)的BP神经网络并行集成学习算法(IBABC-BP).首先,文章构建以高斯变异函数作为概率映射函数的离散二进制人工蜂群算法(IBABC),分析证明了算法的有效性,并通过在4个Benchmark标准测试函数上证明了其寻优精度和收敛速度较其他4种改进人工蜂群算法均有大幅提高;其次,将改进的二进制人工蜂群算法(IBABC)用于训练BP神经网络,设计了IBABC-BP并行集成学习算法;最后,将IBABC-BP算法用于雾霾评估预测,以合肥地区的雾霾历史数据作为仿真数据.实验结果表明,IBABC-BP算法在寻优精度和收敛速度上较原始BP算法、人工蜂群ABC-BP算法、遗传GA-BP算法等算法有明显的提升,可以有效地提高雾霾评估预测的准确性.     

人工鱼群算法优化支持向量机的物流需求预测模型研究

物流需求受多种因素的作用,具有时变性和混沌性,针对当前支持向量机的参数优化难题,提出一种改进人工鱼群算浅优化支持向量机的物流需求预测模型.首先对原始物流需求数据进行混沌分析,挖掘出隐藏其中的物流需求变化规律,然后采用支持向量机对物流需求数据进行非线性建模,并采用人工鱼群算法搜索支持向量机的参数,最后利用某地区物流数据与当前经典模型进行性能对比测试.结果表明,模型预测精度.更高,更加客观地反映了物流需求变化特性.     

基于自适应均匀变异人工鱼群投资组合优化算法的研究

投资市场具有一定的风险,影响因素包括经济、政治、市场自身规律等,根据市场机制构建合适的投资组合模型,可以有效降低市场风险,提高投资回报率.人工鱼群算法是模仿自然界鱼类的一种人工智能优化算法,具有较好的优化能力,但有时会陷入局部最优解.首先将人工鱼群算法与均匀变异相结合,加入均匀变异随机数,使算法能够跳出局部最优解,得到全局最优,从而提高算法精度.然后采用改进人工鱼群算法对投资组合模型进行优化求解.实验表明,改进人工鱼群算法具有较好的收敛精度和收敛速度,对投资组合模型的求解效果更好,风险下降,收益增加、     

融合基于MapReduce并行改进二元蚁群算法与分形维数的属性选择方法

属性选择是数据挖掘领域用于降低数据特征维度的预处理方法.针对大数据环境下高维数据的属性约简问题,提出了融合基于MapReduce并行改进二元蚁群算法与分形维数的属性选择方法.首先,引入了参数控制的位置更新策略、对蚂蚁个体与种群进行交叉变异、重新定义阻塞机制的信息素更新,提出了并行改进的二元蚁群算法MRIBACO.其次,以并行二元蚁群算法作为离散解空间的搜索策略,结合分形维数提出了属性选择模型.在6个UCI数据集上的实验结果表明,较其他方法计算效率更优,同时表明了其有效性与稳定性.     

稀疏数据非线性降维的CN-Isomap算法

针对经典的流形学习算法Isomap在非线性数据稀疏时降维效果下降甚至失效的问题,提出改进的切近邻等距特征映射算法(Cut-Neighbors Isometric feature mapping,CN-Isomap).该算法在数据稀疏的情况下首先通过有效识别样本点的"流形邻居"来剔除近邻图上的"短路"边,然后再通过最短路径算法拟合测地线距离,使得拟合的测地线距离不会偏离流形区域,从而低维嵌入映射能够正确地反映高维输入空间样本点间的内在拓扑特征,很好地发现蕴含在高维空间里的低维流形,有效地对非线性稀疏数据进行降维.通过对Benchmark数据集的实验表明了算法的有效性.CN-Isomap算法是Isomap算法的推广,不仅能有效地对非线性稀疏数据进行降维,同样也适用于数据非稀疏的情况.     

一种求解路径优化问题的新型人工鱼群算法

针对人工鱼群算法由于固定视野导致寻优效率低、易陷入局部极值的弊端,引入视野递减反馈策略,提出一种改进人工鱼群算法.视野随着迭代次数和寻优反馈信息适时变化,旨在平衡算法的全局搜索和局部搜索能力.实验测试表明算法在保证收敛速度的基础上提高了计算精度,并且增加了算法陷入局部极值时快速跳出的可能性,最后将改进算法应用于求解国家AAAAA级风景区最短遍历路径问题.     

基于时间窗限制的预制构件配送成本优化研究

针对预制构件配送调度依靠经验的不科学现状,基于构件自重大、配送频次高、有时间窗限制且配送地点分散的特征,以配送过程中的运输成本、时间惩罚成本以及等待时间成本等因素为主要考量对象,建立构件配送成本最小模型,以降低配送成本,提高经济效益.以某预制构件生产厂为算例,用改进狼群算法求解,结果证明了模型的可行性,同时将改进狼群算法与改进人工鱼群算法的计算结果进行对比.结果表明:在迭代次数、最优值求解方面,改进狼群算法比改进人工鱼群算法更优.     

求解多维0-1背包问题的人工鱼群算法

对于多维0-1背包问题,国内外学者提出了诸如模拟退火、遗传算法、蚁群算法以及其他启发式算法.给出一种新的智能寻优方法——人工鱼群算法.算法通过各人工鱼的局部寻优,从而在群体中体现出全局最优.描述了人工鱼群算法的具体步骤并编程实现,通过多维背包算例进行了求解测试,获得了满意的效果.     

基于虚拟多任务二元粒子群算法和分形维数的雾霾天气预测方法

雾霾天气已对人类日常生活产生严重影响,有效预测雾霾天气,帮助城市居民规划出行安排具有十分重要的现实意义.因雾霾天气影响因素众多,冗余因素的存在一方面浪费计算机存储空间,另一方面干扰预测结果准确性.文章首先充分挖掘二元粒子群算法(binary particle swarm optimization,BPSO)的"隐并行性",构造虚拟多任务环境,主任务和辅助任务中粒子分别执行不同的位置更新策略,且相互传递有效信息,从而保持种群动态多样性,提出虚拟多任务二元粒子群算法(virtual multitasking binary particle swarm optimization,VMBPSO),然后结合分形维数(fractal dimension,FD)剔除雾霾天气中的噪声属性,得出雾霾天气关键影响因素,最后采用SVM算法利用前一天雾霾天气关键影响因素预测后一天是否有雾霾.仿真实验通过对即将举办亚运会的杭州和湖州两大城市进行分析预测,结果表明文章算法具有较高的预测准确率,稳定性和可靠性较高.     

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.     

求解资源受限项目调度问题的人工鱼群算法

提出了将人工鱼群算法应用于求解资源受限项目调度问题中的构想,建立了求解资源受限项目调度问题的人工鱼群算法模型,设计了一种标准随机键编码方式,构建了人工鱼的觅食行为、聚群行为、追尾行为和随机行为四种基本算子,采用了正向逆向局部改进技术和精英保留策略,并给出了算法流程。应用PSPLIB标准问题库对该算法进行了大量的测试,并与其他算法进行了比较,验证了该算法的有效性。     

基于全局人工鱼群算法的变压器投切控制策略分析

钢铁企业中变压器的投切往往都是根据工作人员的经验而操作进行的,忽略了投切时机对于变压器损耗的影响.考虑到钢铁企业在电力负荷中占有很大的比重,所以投切不恰当而产生的费用是不可忽视的.针对上述问题,提出一种基于全局人工鱼群算法的变压器投切控制方法,根据钢铁企业变压器实际参数,计算出变电站不同运行情况下的临界负载量,通过结合实际负荷情况确定变压器投切点;全局人工鱼群算法具有较快的收敛速度,可以用于解决有实时性要求的问题.以最终节电效益用作为目标函数,基于全局人工鱼群算法得到最优投切方案.最后以某钢铁企业变压器投切为例,验证了所提方法的有效性.     

线性低秩逼近与非线性降维

综合分析介绍了在线性与非线性数据约化两方面的最新工作: 对线性情形, 讨论了列分块矩阵奇异值分解的结构分析和稀疏低秩逼近方法与算法; 对非线性情形, 研究了非线性降维与流形学习的方法. 这些问题均为数据挖掘 与机器学习领域极受关注的研究课题.     

基于人工鱼群算法求任意函数的数值积分

将不等距离分割方法与人工鱼群算法相结合,提出一种基于人工鱼群算法求任意函数数值积分的方法,该方法除能计算通常意义下任意函数的定积分外,还能计算奇异函数积分、振荡函数积分以及原函数不易求得的被积函数的积分.最后给出几个数值积分算例,并与传统数值积分方法作了比较,仿真结果分析表明,该算法十分有效,能够快速有效地获得任意函数的数值积分值.     

纳米度域材料断口的分形结构与分维测量 *

利用计算机模拟了不同分维的断口形貌 ,并对各种分维测量方法在纳米度域的适用性和可靠性从理论和实验两方面进行了研究 .对于金属断口 ,在进入纳米度域后 ,由于小岛截面数的限制或数据量的有限性 ,面积 周长法和基于Fourier变换的功率谱方法遇到了困难 .模拟计算表明 ,盒子计数分维测量方法可以作为纳米度域分维的测量方法 .用扫描隧道显微镜 (STM)采用立方体元方法在纳米尺度测定了5Cr2 1Mn9Ni4N汽阀钢断口的分形维数 .结果表明分形维数在纳米度域具有方向性 ,对于理论分形曲面 ,这种分形维数的方向性是由数据点数的有限性所造成的 ,即是一种边界效应 ;然而 ,对于实际断口 ,这种方向性除了边界效应外 ,还是材料的内禀特性的反映 .宏观度域的分形维数与材料性能的关系在纳米度域仍然存在 .     

基于稀疏自编码器的金融市场指数预测模型

针对高维数据"维数灾难"问题,降维是最典型的处理方式之一。降维技术不仅可以减弱"维数灾难"的负面影响,而且能够剔除高维数据中的冗余特征,从而提升高维数据回归、分类等任务的效率。高维数据通常呈现出复杂或非线性结构,恰当的降维方法可以有效地将高维特征数据投影至低维空间,以实现原始数据的非线性特征提取。本文尝试使用无监督学习模型稀疏自编码网络对金融高维数据进行非线性特征提取,将提取到的特征作为有监督学习模型BP神经网络的输入以预测指数收益率。更进一步地,为了验证稀疏自编码算法在特征提取方面的优势与有效性,本文引入稀疏主成分模型进行对比分析。实证分析显示:本文所使用的稀疏自编码网络能够较好地提取非线性特征并进行预测,其预测精度优于以稀疏主成分为代表的线性降维方法。