基于蚁群优化支持向量机的短时交通流量预测

为了提高短时交通流量的预测精度,提出一种蚁群算法(ACO)优化支持向量机(SVM)参数的短时交通流量预测模型(ACO-SVM)。将SVM参数的选取看作参数的组合优化问题求解,采用鲁棒性较强的ACO来搜索最优解。仿真结果表明,ACO-SVM在预测精度、收敛速度、泛化能力等方面均优于参比模型,更适合于短时交通流量的预测。     

基于ACO-SVM的软件缺陷预测模型的研究

针对传统软件缺陷预测模型的应用范围通常被局限在一定的子空间而影响其适用性和准确性的问题,文中利用支持向量机(SVM)的非线性运算能力和蚁群优化算法(ACO)的寻优能力提出了一种基于ACO-SVM的软件缺陷预测模型.文中首先对待预测的数据进行主成分分析降低数据的维数以提高运算速度,然后根据蚁群优化算法来计算最优的SVM参...     

基于SVM和KNN的蛋白质耐热性分类

以氨基酸含量为特征向量,研究了SVM和KNN预测蛋白质耐热性的准确度。结果表明,基于SVM的分类效果较好,其局部预测率和全局预测率分别为82.4%和83.4%;而基于KNN方法的局部预测率和全局预测率分别为77.6%和79.9%。两种方法的预测率均表明氨基酸含量是影响蛋白质耐热性的主要因素。     

蚁群优化神经网络的网络流量混沌预测

为了网络流量预测准确性,提出一种蚁群算法（ACO）优化BP神经网络（BPNN）的网络流量混沌预测模型（ACO-BPNN）。对网络流量时间序列进行重构,将BPNN参数作为蚂蚁的位置向量,通过蚁群信息交流和相互协作找到BPNN最优参数,建立网络流量最优预测模型,并采用实测网络流量数据进行有效性验证。结果表明,ACO-BPNN能够准确刻画网络流量变化特性,提高网络流量的预测准确性。     

基于ACO-LSSVM的网络流量预测

为了提高了网络流量的预测精度,提出一种蚁群算法（ACO）优化最小二乘支持向量机（LSSVM）参数的网络流量预测算法（ACO-LSSVM）。将LSSVM算法参数作为蚂蚁的位置向量,采用动态随机抽取的方法来确定目标个体引导蚁群进行全局搜索,并在最优蚂蚁邻域内进行小步长局部搜索,找到算法的最优参数,建立了基于ACO-LSSVM的网络流量预测模型。仿真结果表明,相对其他网络流量预测算法,ACO-LSSVM算法提高了网络流量预测精度,更能准确地描述网络流量变化规律。     

改进蚁群算法和支持向量机的网络入侵检测

为了提高网络入侵检测的正确率,提出一种改进蚁群优化算法（ACO）和支持向量机（SVM）相融合的网络入侵检测方法（ACO-SVM）。将SVM模型参数作为蚂蚁的位置向量,采用动态随机抽取的方法来确定目标个体引导蚁群进行全局搜索,同时在最优蚂蚁邻域内进行小步长局部搜索,找到SVM最优参数,采用最优参数建立网络入侵检测模型。利用KDDCUP99数据集对ACO-SVM性能进行测试,结果表明,ACO-SVM提高了网络入侵检测正确率,降低了误报率,可以为网络安全提供有效保证。     

煤矿综采工作面瓦斯浓度预测模型

针对基于最小二乘支持向量机(LS-SVM)的瓦斯浓度预测方法进行参数优化时存在的易陷入局部最优解、搜索效率较低、易产生早熟收敛等问题,提出了一种基于改进蚁群算法-最小二乘支持向量机(ACO-LSSVM)的瓦斯浓度预测模型。首先,对采集的大量煤矿综采工作面瓦斯数据进行k-means聚类分析,以降低数据维数;然后,采用改进蚁群算法对LS-SVM的惩罚参数和核函数参数进行寻优,再代入LS-SVM模型中进行回归预测。仿真结果表明,当瓦斯体积分数绝对误差阈值分别为0.03%,0.04%,0.05%时,基于ACO-LS-SVM的瓦斯浓度预测模型的预测准确度都在95%左右,比SVM模型和LS-SVM模型表现更好。     

蚁群算法在需水预测模型参数优化中的应用

为了解决投影寻踪（PP）需水预测模型的高维、非正态、非线性参数优化问题,提高需水预测的精度,尝试用基于网格划分的自适应连续域蚁群算法(ACA)在不同拟合和预测时长内对模型参数进行优化组合,并运用该模型进行年需水量预测。基于改进蚁群算法的投影寻踪需水预测模型参数优化进行了实例仿真。对基于改进蚁群算法的预测精度与基于人工免疫算法（AIA）和BP神经网络的模型(BPANN)参数优化结果分别进行了比较,实验结果表明：1）这三种算法的拟合精度相对误差绝对值分别小于2%、10%和10%;2）预测精度相对误差绝对值分别小于6%、11%和12%;3）改进蚁群算法能收敛到全局最优解,收敛速度较快。因此,改进蚁群算法的投影寻踪需水预测结果明显优于人工免疫算法和BP神经网络。该方法可推广到其他类似的高维非线性问题上。     

基于蚁群粒子群混合算法与LS-SVM瓦斯涌出量预测

为有效预防瓦斯灾害,以预测矿井瓦斯涌出量为研究目的,提出经改进的蚁群（ACO）粒子群（PSO）混合算法优化的最小二乘支持向量机（LS-SVM）,并用其预测非线性动态瓦斯涌出量。算法通过对LS-SVM的正则化参数C和高斯核参数σ进行寻优,建立了基于蚁群粒子群混合算法优化的瓦斯涌出量预测模型,并根据赵各庄矿矿井监测到的各项历史数据进行实例分析。实验结果表明：该预测模型预测的最大相对误差为1.05%,最小相对误差为0.28%,平均相对误差为0.75%。较其他预测模型拥有更强的泛化能力和更高的预测精度。     

改进蚁群算法优化支持向量机的网络入侵检测

针对支持向量机参数优化问题,为了提高网络入侵检测率,提出一种变异蚁群算法优化支持向量机的网络入侵检测模型(MACO-SVM)。首先采用蚁群搜索路径节点代表支持向量机参数,并将网络入侵检测率为目标函数,然后通过蚁群算法的全局寻优能力和反馈机制寻找最优参数,并对蚂蚁进行高斯变异,克服蚁群陷入局部极值,最后将最优路径上的节点连接起来得到 SVM的最优参数,建立最优网络入侵检测模型。采用KDD99数据集对模型进行仿真实验,仿真结果表明,MACO-SVM的网络入侵检测速度要快于其它网络入侵检测模型,而且提高了网络入侵检测率。     

基于蚁群算法优化反向传播神经网络的软件质量预测

针对基于反向传播神经网络（BPNN）的软件质量预测模型存在收敛慢、模型精度不高的问题,提出一种基于蚁群算法优化BPNN的软件质量预测（SQP-ACO-BPNN）方法。首先,选择软件质量评价指标,确立软件质量评价体系;其次,采用BPNN构建初始软件质量预测模型,并利用蚁群优化（ACO）算法确定若干网络结构、网络初始连接权值和阈值;再次,给出网络结构评价函数,选择神经网络模型的最佳结构、网络初始连接权值和阈值;最后,通过BP算法训练该网络,得到最终的软件质量预测模型。在机载嵌入式软件质量预测数据上的实验结果表明,优化后的BPNN模型有效提高了预测的准确率、精确率、召回率和F1值,并且模型能够更快收敛,验证了SQP-ACO-BPNN方法的有效性。     

贝叶斯方法在蛋白质耐热性分类中的研究

氨基酸含量是影响蛋白质耐热性的主要因素。本文以氨基酸含量为特征向量,研究了贝叶斯方法预测蛋白质耐热性的准确度。结果表明,基于贝叶斯方法的局部预测率和全局预测率分别为73.1%和76.1%。这不仅表明贝叶斯方法适合于蛋白质耐热性的分类,而且也证明了氨基酸含量的确对蛋白质耐热性有重要作用。     

基于ACA-NN的合肥公路客运预测与分析

针对BP神经网络存在无法有效收敛最优值问题,构建基于蚁群算法的优化神经网络的公路客运预测模型。该模型采用常见的BP神经网络结构,算法采用的是一种新型的进化算法——蚁群算法。然后以合肥市2012年公路客运预测为实例,尝试了蚁群优化神经网络ACONN在客运量预测中的应用,结果表明蚁群优化神经网络模型的预测精度比其他模型高。     

改进蚁群算法在SVM参数优化研究中的应用

支持向量机参数的选择决定着支持向量机的分类精度和泛化能力,而其参数优化缺乏理论指导,在此背景下提出了ACO-SVM模型。该模型将SVM分类预测准确率作为目标函数,对蚁群算法进行改进,引入有向搜索和基于时变函数更新的信息素更新原则,利用蚁群算法的并行性、正反馈机制和较强的鲁棒性,以求得最优目标并得到SVM的最优参数组合。数值实验结果表明,改进蚁群算法在SVM参数优化选取中具有更好的寻优性能,具有较高的分类准确率;该方法具有较好的并行性和较强的全局寻优能力。     

改进的牵引移动的蚁群算法在2D HP模型中的应用

蛋白质折叠问题就是从氨基酸序列中预测蛋白质的构象,该问题是生物信息学的一个突出问题。主要研究二维HP格点模型,它是用于模拟蛋白质折叠问题的一个具有代表性的简化模型,并且将蚁群算法用于求解该二维HP蛋白质的折叠问题。此外,在局部搜索机制中引入一种改进的牵引移动方法,这是一个提高蛋白质构象的有效方法。实验结果表明,针对较长的氨基酸序列,改进的带牵引移动的蚁群算法(ACO+)比ACO能够获得更低能量的构象,证明了所提出的改进蚁群算法是预测蛋白质结构的有效方法。     

基于健康度分析与和声蚁群算法-支持向量机的故障预测模型

针对现有的故障预测技术无法从整体上反映系统性能下降趋势等问题,提出一种基于健康度分析的故障预测方法.首先,在支持向量机回归算法基础上构造多输出支持向量机,以实现健康度的多步预测,并提出一种和声蚁群算法优化支持向量机参数,解决了蚁群算法易陷入局部最优的问题; 然后, 根据最优参数建立拟合监测数据和未来健康度下降过程非线性映射关系的和声蚁群算法-支持向量机(HSACA-SVM)故障预测模型; 最后,通过某装备电源系统监测数据验证了该模型的有效性.实例验证表明该模型能够较好地实现对健康度下降趋势的预测,预测准确率达到97%,进而实现故障预测.     

群智能算法优化SVR预测模型的应用与分析

群体智能是基于生物群体行为规律的智能计算技术,常用以解决参数寻优等问题;作为群体智能的两种典型算法,蚁群算法和粒子群算法应用极为广泛;文章分析了标准蚁群算法和粒子群算法的不足,分别采用改进的蚁群算法和粒子群算法对支持向量机回归模型参数进行优化,并以钕铁硼吸氢阶段合金氢含量预测为例,通过MATLAB对改进后的预测模型进行了仿真验证,最终给出了两种方法优化后,模型的预测效果及性能对比;仿真结果表明,改进的群体智能算法对工艺优化控制有着重要的意义。     

ACO-BP神经网络在电梯交通流预测中的应用

电梯交通流预测为电梯配置与群控调度提供必要的乘客流数据信息.针对基于BP神经网络的电梯交通流预测模型在网络训练过程中表现出的对初值敏感、易陷入极小值等问题,提出利用全局寻优的蚁群优化(ACO)算法优化BP神经网络.同时,利用精英蚂蚁和排序策略对基本ACO算法进行改进.采集天津某办公大厦实际交通流数据进行实例分析,分别对基于传统的BP神经网络和蚁群优化的BP(ACO-BP)神经网络的电梯交通流预测模型进行仿真验证.结果表明:ACO-BP神经网络的预测效果远优于传统的BP神经网络,适用于电梯交通流预测系统.     

回采工作面瓦斯涌出量耦合预测模型研究

为准确、快速地预测回采工作面瓦斯涌出量,提出一种基于主成分分析法（PCA）和改进的果蝇算法（MFOA）优化支持向量机（SVM）的回采工作面绝对瓦斯涌出量预测模型。模型首先运用PCA方法对原始数据进行降维处理,消除数据冗余,而后采用改进的果蝇算法对SVM参数进行全局寻优,避免SVM参数的选取对模型预测结果的不利影响,最终建立基于PCA-MFOA-SVM的耦合预测模型,并以实际监测数据为例进行仿真预测。结果表明：该模型预测的平均绝对误差为0.077 5 m3/t,平均相对误差为1.323 7%,与其他模型相比,预测精度高,综合性能好,能够实现回采工作面瓦斯涌出量的动态预测。     

基于蚁群算法的飞机定检原位工作流程优化

首次将蚁群算法（ACO）应用于飞机定检原位工作流程优化中。在建立原位工作流程优化模型的基础上,借鉴最优一最差蚂蚁系统的思想改进信息素更新机制,并采用改进的精英策略和变异特征对基本蚁群算法进行改进。实例仿真表明,改进蚁群算法在全局搜索能力和收敛速度上较基本蚁群算法有明显提高,克服了基本蚁群算法搜索时间长、容易早熟的不足。优化后原位工作完成时问较优化前缩短2．27％,验证了ACO在解决定检工作流程优化问题上的适用性。