基于PSOABC-SVM的软件可靠性预测模型

软件可靠性预测是指在软件开发初期对软件中各模块出错的可能性进行预测,对提高软件的可信性具有重要意义。提出了一种基于粒子群与人工蜂群优化支持向量机的软件可靠性预测模型,将粒子群优化算法与人工蜂群算法相结合的混合算法引入到支持向量机的参数选择中,提高软件可靠性预测的效果。实验结果表明,该模型比BP网络预测模型、粒子群优化支持向量机等预测模型收敛速度更快、预测精度更高,能更好的进行软件可靠性预测。     

改进人工蜂群算法优化支持向量机及应用

针对支持向量机(SVM)的惩罚因子和核函数参数选取难度较大的问题,提出利用改进的人工蜂群算法优化支持向量机相关参数的方法.为了提高ABC算法的寻优能力,在原始ABC算法的搜索公式中引入全局搜索因子.利用UCI数据集对优化后的模型进行验证,证明了其良好的性能.将其应用于船舶压载水系统的故障诊断,实验结果表明,IABC算法...     

GAFSA优化SVR的网络流量预测模型研究

现有的诸多网络流量预测模型存在预测稳定性不好、精度较低等问题。针对此类问题, 研究了一种通过GAFSA(全局人工鱼群算法)优化SVR模型的网络流量预测方法。GAFSA是一种群智能优化算法, 寻优效果显著。采用GAFSA对SVR预测模型进行参数寻优, 可以得到使预测效果最佳的训练参数; 使用这组最优参数训练SVR, 建立网络流量预测模型, 可以很好地改善基于其他智能优化算法改进的SVR网络流量预测模型多次预测结果相差较大的问题, 使预测结果趋于稳定, 同时也可以提高预测精准度。仿真结果表明, GAFSA-SVR网络流量预测模型与其他模型相比, 预测结果基本稳定, 精准度提高到89%以上, 对于指导网络控制行为、分析网络安全态势有重要意义。     

基于改进PSO优化SVR的交通事故预测模型

为了有效预测交通事故,提出一种基于改进粒子群算法优化支持向量回归机的预测模型。改进粒子群算法利用网格搜索对全局最优粒子的邻域进行精细搜索,结合粒子群算法较快的收敛速度和网格搜索较强局部搜索能力的优点,提高了支持向量回归机相关参数的优化精度,进而改善了交通事故预测模型的预测性能。仿真结果表明,基于改进粒子群算法优化支持向量回归机的交通事故预测模型达到了较快的学习速度和较高的预测精度,具有良好的工程应用性。      

融合改进遗传和人工蜂群的SVM参数优化算法

针对遗传算法不能充分利用系统中的反馈信息,易陷入“早熟”,以及人工蜂群算法在搜索初期寻优速度慢的问题,将改进的遗传算法与人工蜂群算法融合,实现二者互补,并将由支持向量机训练得到的测试集分类准确率作为算法的适应度函数,提出遗传-人工蜂群算法（G-ABCA）,以实现对支持向量机参数的优化选择。通过仿真实验,将其在支持向量机参数寻优中的性能与改进的遗传算法、人工蜂群算法进行比较,实验结果表明：遗传-人工蜂群算法有效地提高了支持向量机的分类准确率,而且算法是逐步收敛的,其表现优于其他算法。     

多目标人工蜂群算法研究

人工蜂群算法是一种模仿蜜蜂采蜜行为的新兴群体智能算法.本文在人工蜂群算法的基础上采用多目标进化算法中的Pareto非劣排序和个体密度值的概念并借鉴粒子群算法,引入全局最优解记录全局最优位置,提出了一个基于Pareto占优的多目标人工蜂群算法.最后验证了算法的可行性.     

人工蜂群算法优化支持向量机的分类研究

为了提高支持向量机分类准确率,采用人工蜂群算法对支持向量机参数进行优化,并将该优化方法应用于小麦完好粒、霉变粒和发芽粒三类麦粒的识别。使用小波变换分解信号能量作为特征向量,以分类错误率的倒数作为适应度函数,利用人工蜂群算法对支持向量机的惩罚因子和核函数宽度参数进行优化,优化SVM方法对小麦完好粒、霉变粒和发芽粒的分类正确率达到86%以上。实验结果表明,该研究有较强的实用价值,为SVM性能优化提供了一种新的方法。     

嵌入粒子群优化算法的混合人工蜂群算法

为了克服人工蜂群算法存在的早熟收敛、后期收敛速度变慢等缺点,提出了一种基于粒子群优化算法的混合人工蜂群算法(PABC).对陷入局部极值的雇佣蜂,采用粒子群优化算法对其重新进行初始化.粒子群优化算法具有很强的全局搜索性能,能使陷入局部极值的雇佣蜂尽快摆脱局部约束.测试函数的计算结果表明,改进的人工蜂群算法大大提高了蜂群算法的寻优能力,在收敛速度和精度方面均优于基本蜂群算法.     

改进的人工蜂群优化支持向量机算法在入侵检测中的应用

针对基于传统的参数优化算法在优化过程中会不同程度地陷入局部最优解的问题,在人工蜂群ABC(Artificial Bee Colony)算法的基础上提出基于交叉突变人工蜂群CMABC(Crossover Mutation ABC)算法的支持向量机SVM参数优化方法,并将其应用于入侵检测。通过引入交叉突变算子对人工蜂群算法进行改进,根据适应度值的优劣将蜂群进行划分,有效地避免了陷入局部最优,提高了收敛速度。利用标准测试函数验证了算法的有效性,并采用NSL-KDD入侵检测数据集进行仿真实验,验证了该方法的有效性。实验结果表明,该方法能有效提高入侵检测的分类性能。     

基于混沌粒子群优化SVR的网络流量预测

计算机网络流量预测对于网络流量的控制和调整,进而提高网络性能和服务质量起着重要的作用.当前传统计算机网络流量方法预测精度较低,仅为85%左右.针对网络流量的非线性和时变特性,难以准确实现网络流量评估,为了解决此问题,提出基于混沌粒子群优化SVR的网络流量预测方法.支持向量回归算法(SVR)是一种用于趋势预测的支持向量机模型,能找到全局最优解.然而,SVR参数的选择对回归模型优化起着决定性作用.采用混沌粒子群优化算法(CPSO)优化支持向量参数,通过建立混沌粒子群优化SVR的网络流量预测模型.仿真结果表明,混沌粒子群优化SVR网络流量预测模型能力强、效果好.     

人工蜂群算法研究综述*

人工蜂群算法自提出以来,受到很多学者的关注,并涌现出大量的研究文献。本文介绍了2013年以来国内外蜂群算法的研究成果,包括加快收敛、提高开采能力、提高算法性能方面的改进;针对约束优化、平行化运行、多目标寻优等多方面的研究;以及人工蜂群算法在神经网络、无线传感网、决策调度、图像信号处理等多个领域的研究现状,并指出人工蜂群算法有待进一步解决的问题及未来的研究方向。     

Elite-guided multi-objective artificial bee colony algorithm

Multi-objective optimization has been a difficult problem and a research focus in the field of science and engineering. This paper presents a novel multi-objective optimization algorithm called elite-guided multi-objective artificial bee colony (EMOABC) algorithm. In our proposal, the fast non-dominated sorting and population selection strategy are applied to measure the quality of the solution and select the better ones. The elite-guided solution generation strategy is designed to exploit the neighborhood of the existing solutions based on the guidance of the elite. Furthermore, a novel fitness calculation method is presented to calculate the selecting probability for onlookers. The proposed algorithm is validated on benchmark functions in terms of four indicators: GD, ER, SPR, and TI. The experimental results show that the proposed approach can find solutions with competitive convergence and diversity within a shorter period of time, compared with the traditional multi-objective algorithms. Consequently, it can be considered as a viable alternative to solve the multi-objective optimization problems.     

一种结合人工蜂群和K-均值的混合聚类算法

传统的K-均值聚类算法虽然收敛速度快,但由于过度依赖初始聚类中心,算法的鲁棒性较差。为此,提出了一种改进人工蜂群算法与K-均值相结合的混合聚类方法,将改进人工蜂群算法能调节全局寻优能力与局部寻优能力的优点与K-均值算法收敛速度快的优点相结合,来提高算法的鲁棒性。实验表明,该算法不仅克服了传统K-均值聚类算法稳定性差的缺点,而且聚类效果也有了明显改善。     

人工蜂群算法的收敛性分析

利用随机过程理论,对人工蜂群算法收敛性进行理论分析,给出人工蜂群算法的一些数学定义和蜜源位置的一步转移概率,建立人工蜂群算法的Markov链模型,分析此Markov链的一些性质,论证了人工蜂群状态序列是有限齐次Markov链,且状态空间是不可约的。结合随机搜索算法的全局收敛准则,证明了人工蜂群算法能够满足随机搜索算法全局收敛的两个假设,保证算法的全局收敛。     

一种强化互学习的人工蜂群算法

为了解决基本蜂群算法存在的收敛速度慢、易陷入局部最优等问题,并提高算法在探索和开发方面的寻优性能,提出一种改进的蜂群算法,称为强化互学习的人工蜂群算法（EMLABC）,针对不同种类蜜蜂分别采用不同的搜索策略,首先对于雇佣蜂通过采用提高交叉变动学习频率以及同时面向多个较优近邻学习的机制来增强算法的全局探索能力并且避免早熟;其次针对跟随蜂采用深化的互学习策略,使新生子代保持倾向于在潜在更优区域进行搜索,进而提高算法的收敛性能和精度。在16个标准测试集函数和基本蜂群算法以及最近几个变种进行对比测试,结果表明EMLABC在收敛速度、准确寻优能力和稳定性上都有显著的提升。     

基于分布估计的二进制人工蜂群算法

为了充分利用种群的全局统计信息,将分布估计算法引入二进制人工蜂群算法,提出一种基于分布估计的二进制人工蜂群算法。该算法利用分布估计算法获得的全局统计信息引导候选解的产生,提高了全局探索能力;采用直接针对离散域的多维邻域更新策略,加快了收敛速度,降低了计算复杂度。仿真结果表明,与传统二进制人工蜂群算法相比,改进算法在优化精度、收敛速度和鲁棒性方面均有明显改善。     

人工蜂群算法的改进

为改善人工蜂群算法(ABC)的深度搜索能力,提出一种改进的人工蜂群算法(SABC)。借鉴混合蛙跳算法(SFLA)的进化机制,将蜂群划分为多个模因组,使每个新个体与自身所在模因组的最坏个体进行优劣比较,能够更加容易保存群体中的"新生"个体,改善群体的整体质量,增加算法的深度搜索能力。通过7个测试函数进行实验,统计结果表明了SABC算法在求解函数优化问题时具有较好的算法性能。     

改进的蜂群算法

针对蜂群算法收敛速度缓慢、容易出现早熟的问题,提出一种改进的蜂群算法(IABC)。IABC在跟随阶段食物源更新中根据邻域个体食物源质量调整信息共享程度,并且随着搜索进程减弱当前食物源的影响、增强邻域信息共享强度,使蜂群在搜索初期快速收敛到最优食物源所在区域、在搜索后期提高全局收敛性能。函数测试结果表明,IABC有效地提高了ABC的收敛速度和优化精度,特别适合复杂函数的优化问题。     

求解非线性方程的混合人工蜂群算法

结合牛顿法和人工蜂群算法的优点,提出了一种混合人工蜂群算法（HABC）,用于求解非线性方程,以克服牛顿法对初始值敏感和人工蜂群算法容易陷入局部极值、收敛速度慢的缺陷。实验仿真结果表明,混合人工蜂群算法能以满意的精度求出对未知数具有敏感性的非线性方程的解,具有较快的收敛速度和较高的搜索精度。