粒子群算法优化支持向量机的网络流量混沌预测

针对传统网络流量预测方法存在预测平均绝对误差较大的问题,提出基于粒子群算法优化支持向量机的网络流量混沌预测方法。采用粒子群算法对支持向量机方法进行优化,利用优化后的支持向量机方法对网络流量进行混沌预测,预测结果表明,采用改进预测方法时,其预测的平均绝对误差值相比FCM-LSSVM网络流量预测方法、Morlet-SVR和ARIMA组合预测方法分别降低了65.3%,34.3%,具有一定的优势。     

基于人工鱼群算法的网络流量预测方法

使用非线性预测模型支持向量回归算法建立预测模型,对具有明显非平稳性、混沌性以及非线性的网络流量进行预测研究。使用人工鱼群算法对支持向量回归算法的参数进行寻优,使用PSO算法对常规人工鱼群算法进行改进,使得人工鱼不依赖步长因子,仅对视野因子产生依赖,能够得到最优解。通过使用Logistic映射对人工鱼位置进行初始化,提高种群多样性,从而提高算法全局寻优能力,避免算法陷入局部最小值。最后使用MAWI数据集中的三组不同时间粒度的数据进行网络预测方法的实例分析,结果表明,所研究的人工鱼群算法具有较好的预测性能,能够满足网络流量预测的需求。     

基于DHSPSO的局部LS-SVM动态建模预测

基于局部建模方法可克服数据间非线性影响的思想,提出了一种基于动态和谐搜索混合粒子群优化(DHSPSO)的局部最小二乘支持向量机(LLS-SVM)动态软测量建模方法.该方法首先通过欧式距离选取局部训练样本子集,然后利用该子集建立LLS-SVM模型.用DHSPSO的方法选取最小二乘支持向量机的模型参数及训练样本子集的大小,该方法克服了常用的交叉验证法耗时与盲目性问题,适合在线建模及预测.此算法通过对某乙烯精馏塔的塔釜乙烯浓度软测量建模的工业实例仿真,结果表明该算法较其它算法具有更好的泛化结果和预报精度,具有良好的应用潜力.     

基于支持向量机的电力短期负荷预测研究

以城市电力负荷预测为应用背景,根据电力负荷的特点和支持向量机(SVM)方法在解决小样本学习问题中的优势,提出基于SVM的电力短期负荷预测模型,并使用粒子群优化算法优化其参数.基于SVM的电力短期负荷预测模型的运行结果与BP神经网络模型对比表明,前者稳定性好,运行速度快,准确率高.     

基于支持向量机的电力短期负荷预测研究

以城市电力负荷预测为应用背景,根据电力负荷的特点和支持向量机（SVM）方法在解决小样本学习问题中的优势,提出基于SVM的电力短期负荷预测模型,并使用粒子群优化算法优化其参数。基于SVM的电力短期负荷预测模型的运行结果与BP神经网络模型对比表明,前者稳定性好,运行速度快,准确率高。     

基于机器学习算法的轧机轧制力预测

对轧机轧制力预测模型进行研究。由于常规LSSVM识别模型选取耗时长的网格搜索法进行参数确定,通常粒子群优化算法对LSSVM识别模型进行优化。由于种群中多样性加速下降,使得算法容易发生早熟收敛等问题,从而影响其全局寻优能力,因此使用种群活性粒子群优化算法对LSSVM参数进行优化,从而解决上述问题。通过实例分析可知,相比常规算法,改进PSO优化LSSVM算法建立的预测模型的预测精度和效率最高,具有较好的工程应用价值。     

改进粒子群算法优化最小二乘支持向量机的网络流量混沌预测

为了提高网络流量的预测准确性,针对最小二乘支持向量机参数优化方法的缺陷,提出一种改进粒子群算法优化最小二乘支持向量机的网络流量混沌预测模型。首先将最小二乘支持向量机参数作为粒子初始位置,然后通过粒子群之间信息交流、互相协作找到最优参数,并对惯性权重和学习因子进行改进,最后对网络流量数据进行重构,并采用最优参数的最小二乘支持向量机建立网络流量预测模型。实验结果表明,本文模型提高了网络流量的预测精度,并大幅度减少了训练时间,可以满足网络流量在线预测要求。     

基于PSO-RVM算法的地铁通风量需求预测建模

鉴于地铁通风空调系统具有滞后、非线性、时变等特性,基于西北角站通风系统实测数据样本,通过比较分析多种常用核函数的关联向量机模型性能,选择高斯核函数的关联向量机进行地铁通风量需求预测建模,并运用粒子群算法优化模型核参数,避免盲目寻优.研究表明,相对于支持向量机,基于高斯核函数的PSO-RVM算法更适用于建立地铁车站通风量...     

基于IPSO-SVM的瓦斯突出危险程度预测

煤与瓦斯突出事故危及矿工生命,破坏生产现场。通过现场监测瓦斯突出的相关数据,对瓦斯突出的危险程度进行预测,提前做好防范措施,减少瓦斯突出事故的危害。为此,提出支持向量机算法与改进粒子群算法相结合的瓦斯突出危险程度预测模型:首先对容易陷入局部最优的粒子群进行改进;接着应用改进粒子群算法求解影响支持向量机分类预测性能的最佳参数;然后把最佳参数应用于擅长模式识别的支持向量机算法,进行瓦斯突出样本数据的训练,构建瓦斯预测模型;最后使用瓦斯预测模型对新的瓦斯突出数据进行预测。实验结果表明,采用该方法进行瓦斯突出预测的准确率,比纯支持向量机算法提高了5%。     

基于改进PSO算法优化LS-SVR的话务量预测

为了更准确的预测话务量,提出了一种以粒子群优化算法为基础的,通过多样性度量指标控制种群特征的改进粒子群优化算法(MPSO),用于最小二乘支持向量回归机(LS-SVR)超参数的寻优,分析影响话务量的相关因素,选取合适的样本,利用优化后的LS-SVR模型对移动话务量进行预测.与标准LS-SVR预测算法和PSO优化后的LS-SVM算法进行比较,实验结果表明,本文的预测方法具有更好的收敛.性和更高的预测精度.     

Development of a particle swarm optimization based support vector regression model for titanium dioxide band gap characterization

Energy band gap of titanium dioxide (TiO₂) semiconductor plays significant roles in many practical applications of the semiconductor and determines its appropriateness in technological and industrial applications such as UV absorption, pigment, photo-catalysis, pollution control systems and solar cells among others. Substitution of impurities into crystal lattice structure is the most commonly used method of tuning the band gap of TiO₂ for specific application and eventually leads to lattice distortion. This work utilizes the distortion in the lattice structure to estimate the band gap of doped TiO₂, for the first time, through hybridization of a particle swarm optimization algorithm (PSO) with a support vector regression (SVR) algorithm for developing a PSO-SVR model. The precision and accuracy of the developed PSO-SVR model was further justified by applying the model for estimating the effect of cobalt-sulfur co-doping, nickel-iodine co-doping, tungsten and indium doping on the band gap of TiO₂ and excellent agreement with the experimentally reported values was achieved. Practical implementation of the proposed PSO-SVR model would further widen the applications of the semiconductor and reduce the experimental stress involved in band gap determination of TiO₂.     

一种改进的混沌粒子群优化算法

粒子群优化算法（PSO）自提出以来,已经被广泛地应用于求解各类复杂的优化问题,过去对粒子群算法的研究主要集中在融入新的优化方法或对其相关参数进行调整,但这样只会使得PSO更加复杂.针对这一问题,文中提出一种改进的混沌粒子群优化算法（ICPSO）,ICPSO从粒子群优化算法的时间与寻优实时角度出发（即在较短的时间内获得较好的解）,对粒子速度更新算子进行了简化,每隔一定代数后,在最优解邻近区域引入混沌扰动以避免种群陷入局部最优解.数值实验结果表明：提出的算法相对于文献给出的PSO改进算法,不仅能够获得较好的最优解,而且还具有较快的收敛速度和较好的稳定性.     

优化粒子群算法在组合供热负荷预测中的应用

分析了粒子群算法和组合预测的特点。将组合预测和粒子群算法结合,建立了一种组合形式的供热负荷预测模型。同时针对粒子群算法易于陷入局部最优解、进化后期收敛慢等缺点对粒子群算法进行改进,解决了组合预测中权重难以确定的问题。改善了预测模型的拟合能力,提高了预测精确度。最后选取大庆油田某一天供热数据作为测试数据,结果表明组合预测误差较小,精确度高于其他单项预测方法40%以上。     

Opposition-based particle swarm optimization with adaptive elite mutation and nonlinear inertia weight

An opposition-based particle swarm optimization with adaptive elite mutation and nonlinear inertia weight (OPSO-AEM＆NIW) was proposed to overcome the drawbacks, such as falling into local optimization, slow convergence speed of opposition-based particle swarm optimization. Two strategies were introduced to balance the contradiction be-tween exploration and exploitation during its iterations process. The first one was nonlinear adaptive inertia weight (NIW), which aim to accelerate the process of convergence of the algorithm by adjusting the active degree of each parti-cle using relative information such as particle fitness proportion. The second one was adaptive elite mutation strategy (AEM), which aim to avoid algorithm trap into local optimum by trigging particle's activity. Experimental results show OPSO-AEM＆NIW algorithm has stronger competitive ability compared with opposition-based particle swarm optimiza-tions and its varieties in both calculation accuracy and computation cost.     

一种动态分群的自适应粒子群优化算法

粒子群优化算法是模拟鸟类觅食行为思想的随机搜索算法,主要是通过迭代寻找最优解。将粒子随机初始化改进为固定初始化,并将动态分群思想引入粒子群优化算法将整个种群划分为三个子群,根据不同群中粒子的情况自适应地选择惯性权重,以此提高粒子的搜索能力。仿真实验结果表明,该方法大大提高了搜索过程中粒子的多样性,避免粒子陷入局部最优,提高了求解的速度和精度。     

基于LDA与混沌粒子群算法的车道线识别方法研究

与传统的车道线检测算法不同,本文采用LDA算法对道路图像进行针对性灰度化处理。加大车道线与道路的差异,然后使用抛物线模型对车道线进行拟合,采用混沌粒子群算法对抛物线参数进行优化,以车道线的灰度特征和梯度特征作为混沌粒子群的适应度函数,经过多次的迭代得到抛物线拟合车道线的参数最优值,进而识别出车道线。实验结果表明,本文算法能在复杂环境下识别出车道线,对视频帧序列中的车道线连续追踪具有良好效果。     

微粒群优化算法在协同建筑设计中的应用

介绍了群体智能的特点、算法以及基于群体智能的多agent协同设计系统模型。重点介绍微粒群优化算法的原理,工作流程。最后,以一个建筑外观设计为实例,介绍了算法在协同建筑设计组装过程中的应用。     

一种基于粒子群优化算法的混沌控制方法

提出了一种基于粒子群优化算法的神经网络控制混沌的方法。用粒子群优化算法来训练神经网络,利用训练好的神经网络作为混沌控制器,使混沌系统产生预期的运动。该方法无需了解被控系统的确切的动力学机制,实现方法简单。并对Logistic和Hénon映射进行了仿真,结果表明该方法能将系统控制到预定的轨道。因此,该方法能对混沌系统实施有效的控制,且能够应用于动力学模型未知而仅获得实验数据的情况。     

基于参数优化支持向量机的火焰图像识别

图像型火灾探测的主要问题是关于火焰和干扰物的识别。通过提取火灾图像特征,利用支持向量机来进行识别。为提高火灾准确预报率,用参数优化后的支持向量机来预报。提出一种混沌粒子群算法对支持向量机进行参数优化。实验表明,改进的粒子群算法比传统方法的火灾准确预报率有大幅提高,可以进一步降低火灾探测系统的误报。     

Non-inertial opposition-based particle swarm optimization with adaptive elite mutation

Non-inertia1 opposition-based partic1e swarm optimization with adaptive e1ite mutation（NOPSO）was proposed to overcome the drawbacks,such as,s1ow convergence speed,fa11ing into 1oca1 optimization,of opposition-based partic1e swarm optimization.In addition to increasing the diversity of popu1ation,two mechanisms were introduced to ba1ance the contradiction between exp1oration and exp1oitation during its iterations process.The first one was non-inertia1 ve1ocity（NIV）equation,which aimed to acce1erate the process of convergence of the a1gorithm via better access to and use of environmenta1 information.The second one was adaptive e1ite mutation strategy（AEM）,which aimed to avoid trap into 1oca1 optimum.Experimenta1 resu1ts show NOPSO a1gorithm has stronger competitive abi1ity compared with opposition-based partic1e swarm optimizations and its varieties in both ca1cu1ation accuracy and computation cost.