高斯骨架差分进化算法与回声状态网络的结合应用

针对回声状态网络(ESN)对于不同时间序列的学习上无法有效地确定储备池参数的问题，提出一种新型预测模型。利用改进的高斯骨架差分进化算法(DE)来优化回声状态网络。在DE算法中引入了变异策略选择因子，并将选择因子随个体共同参与进化，使每个个体执行当前最适合的变异策略。改善了原始DE算法进化过程中的盲目性，同时选择因子的动态自适应特性保持了骨架算法近似无参数的优点，最后为避免算法早熟加入停滞扰动策略改善算法的寻优性能。为验证模型的有效性，对Mackey-Glass时间序列、赣州月平均气温数据集进行仿真实验。由实验结果可知，该模型可以提高时间序列的预测精度，且具有良好的泛化能力及实际应用价值。