QPSO算法优化BP网络的网络流量预测

网络流量预测对于大规模网络的规划设计和网络资源管理等方面都具有积极的意义,是网络流量工程重要组成部分。结合QPSO算法和BP神经网络的优势,采用QPSO算法对BP神经网络的权值和阈值进行优化,并利用历史记录训练BP网络。仿真实验表明,与PSO训练的BP网络以及直接用BP网络进行预测的模型相比,基于QPSO训练的BP网络流量预测模型具有更好的预测能力。     

基于PSO-BP神经网络的网络流量预测与研究

传统网络流量预测采用线性方法进行处理,不能很好地满足要求.根据互联网通信量的自相似性,提出一种基于BP网络的粒子群优化PSO-BP算法进行网络流量预测,用PSO算法对BP网络节点的初始权值进行优化,并利用历史记录训练BP网络,采用Matlab进行仿真.试验结果表明,PSO-BP算法加快了BP网络收敛速度,训练结果的均方误差函数mse在5%以内,提高了网络流量预测精度.     

一种GA-PSO算法优化BP网络的网络流量预测

分析和研究网络流量的预测,对于网络信息安全和网络资源管理具有重要的意义。为了更有效、准确地对网络流量进行预测,提出一种GA-PSO算法优化BP神经网络的网络流量预测模型。首先采用BP神经网络建立网络流量预测模型,然后用GAPSO算法对BP神经网络的初始权值和阈值进行优化,最后利用网络流量的历史数据进行仿真实验。实验结果表明,经过GA-PSO算法优化后的BP神经网络模型能加快神经网络的收敛速度,提高网络流量的预测精度。     

改进的QPSO-BP算法的铀价格预测模型及应用

铀产品价格的变化直接决定了铀矿项目的价值,铀产品价格的预测,可提高企业的经营决策能力和抗风险能力。为提高预测的精度,采用基于改进的量子粒子群算法优化训练BP神经网络的学习算法,对铀价格进行建模预测。采用改进的QPSO算法优化BP网络的权值与阈值。将通过优化搜索得到的粒子的位置向量解码作为网络的权值与阈值,选择网络结构5．11—1对铀价格进行预测。结果表明：QPSO—BP模型的预测精度（0．15％）高于PSO-BP模型（4．55％）与BP模型（30．86％）。泛化能力指标平均相对变动值为O．0025,预测结果的泛化能力提高。相对误差分布集中,预测结果稳定。说明该模型在铀价格预测中有效,对项目投资决策有一定的参考价值。     

模拟退火PSO的神经网络的网络流量预测模型

为解决网络流量时间序列的预测问题,针对传统BP神经网络的网络流量时间序列预测模型容易陷入局部极小值的不足,提出一种基于模拟退火的微粒群算法训练神经网络的网络流量时间序列预测模型.将模拟退火算法和基本粒子微粒群算法相结合,设计出一种基于模拟退火的微粒群算法.利用基于模拟退火微粒群算法优化BP神经网络的权值和阀值,对实际采集的网络流量时间序列进行建模.实验结果表明,基于模拟退火的微粒群算法训练的神经网络具有较高的预测效果,相对于传统的神经网络模型具有更高的预测精度和良好的自适应性.     

粒子群算法优化相空间重构参数的网络流量预测模型

在网络流量预测过程中,相空间重构参数是影响预测性能的重要方面,传统参数分开优化,为了提高网络流量的预测精度,提出一种粒子群算法优化相空间重构参数的网络流量预测模型(PSO-BPNN);首先将BP神经网络作为学习算法,然后采用粒子群算法对相空间重构参数——延迟时间和嵌入维进行联合优化,并重构网络流量序列,最后以小波BP神经网络建立最优络流量预测模型,并采用仿真实验对模型性能进行分析,结果表明,PSO-BPNN提高了网络流量的预测精度。     

基于改进的量子粒子群优化小波神经网络的网络流量预测

为了改善小波神经网络（WNN）进行流量预测的性能及避免量子粒子群算法（QPSO）搜索后期的早熟收敛缺陷,提出了一种改进的 QPSO。该算法定义粒子群聚拢度,改进收缩—扩张系数使其表示为聚拢度的函数并服从随机分布,以使粒子群具有动态自适应性,避免陷入局部最优,并通过搜索使用 WNN 待优化参数编码位置向量的粒子群的全局最优位置来实现目标参数的优化,使用本算法优化 WNN 参数,建立了基于改进的 QPSO优化 WNN 的网络流量预测模型。使用真实网络流量通过两组对比实验对其预测精度进行验证,证明了该方法的可用性。实验结果表明,该方法的预测精度优于 WNN 和 QPSO-WNN 方法。     

改进粒子群算法对BP神经网络的优化

介绍一种基于改进粒子群算法优化BP网络的权值调整综合方法。该算法在传统BP算法的误差反传调整权值的基础上,引入粒子群算法的权值修正,并且在训练神经网络权值的同时优化其连接结构,删除冗余连接,从而建立了基于粒子群算法优化的BP网络新模型。结果表明,改进算法不仅可以克服传统BP算法收敛速度慢和易陷入局部权值的局限,而且很大程度地提高了结果精度和BP网络学习能力。     

基于BPSO-RBF神经网络的网络流量预测

为了提高网络流量的预测精度,针对网络的时变性和混沌性,提出一种反向学习粒子群优化神经网络的网络流量预测模型(BPSO-RBFNN)。首先将网络流量样本输入到RBF神经网络进行学习,采用引入反向学习机制的粒子群算法优化参数,然后建立网络流量预测模型,最后采用仿真实验对模型性能进行分析。结果表明,BPSO-RBFNN可以描述网络流量的时变性、混沌性变化趋势,网络流量预测精度得以提高,具有较好的实际应用价值。     

一种参数联合优化的网络流量非线性预测模型

为了提高网络流量预测精度,利用相空间重构和神经网络参数间的相互联系,提出一种参数联合优化的网络流量非线性预测模型。将相空间重构和预测模型参数作为粒子群优化算法的粒子,网络流量预测精度作为粒子适应度函数,通过粒子之间相互协作获得全局最优参数,根据最优参数建立最优网络流量非线性预测模型,通过网络流量实例对模型性能进行测试。结果表明,相对于传统参数优化方法,参数联合优化方法大幅度提高了网络流量的预测精度,为非线性预测问题提供了一种新的研究思路。     

基于QPSO算法和S-系统的基因调控网络分析与重构*

基于量子粒子群(QPSO)算法分析和重构了基因调控网络。利用S-系统模型进行基因调控网络的模拟,基本方法以真实实验数据与模拟数据的差的平方和作为目标函数进行迭代优化,只能预测数目很少的参数并且算法的收敛率很低。依据基因网络的稀疏性,提出了基于QPSO算法的逐步优化策略,将整个优化过程分为三个阶段,通过逐步确定无效参数的位置来简化模型。仿真实验基于QPSO算法逐步优化策略成功实现了一个包含5个节点60个参数的S-系统优化。     

量子PSO粒子滤波在DR/GPS组合导航系统中的应用

将量子粒子群优化(QPSO)算法与粒子滤波(PF)相结合,提出了量子PSO粒子滤波(QPSO-PF)算法,对航位推算(DR)与GPS组合导航系统中的里程系数误差和航向误差进行辨识估计,并对里程系数和航向进行修正。该算法采用量子位对粒子进行编码,引入量子旋转门与变异操作保持了粒子集的多样性,通过QPSO搜索寻优重新分配粒子,使粒子集有效地逼近真实的后验概率分布,从而有效地减轻了退化现象,提高了PF的精度。DR/GPS组合导航系统跑车实验结果表明:该算法有效地抑制了DR导航系统误差的增长,提高了组合导航系统的定位精度。     

二阶微粒群优化神经网络的混沌系统辨识方法

针对BP神经网络在学习算法中的不足,将BP神经网络的权值和阀值训练问题转换为优化问题,提出一种利用二阶微粒群算法优化的神经网络的算法。其次,运用基于二阶微粒群算法训练的神经网络模型对混沌系统进行辨识,并与传统的BP神经网络、RBF网络对同一混沌系统辨识的结果进行比较。实验表明,利用二阶微粒群优化算法训练神经网络进行混沌系统辨识,辨识的效果优于其它几种神经网络模型,可有效用于混沌系统的辨识。     

基于量子微粒群算法的发酵过程模型参数估计

量子微粒群优化算法(QPSO)是一种改进的微粒群优化算法(PSO),克服了PSO算法搜索空间有限和易陷入局部极值的不足,同时该算法具有参数少、易实现、收敛速度快等优点.应用量子微粒群优化算法,以谷氨酸发酵过程产物(谷氨酸)浓度数据为检验样本,以Verhulst方程为菌体生长模型,进行发酵模型参数估计.实验结果表明,基于QPSO算法的参数估计方法具有精度高、编程实现简单、计算量小等优点.     

基于量子行为粒子群优化算法的定位技术研究

针对无线传感器网络(WSNs)节点定位问题,阐述了WSNs的分布迭代式定位方法研究。这种方法将每次迭代后定位的节点作为其余未知节点的参考节点.同时将基于测距定位问题看成一个多维优化问题,并提出利用具有快速收敛能力的量子行为粒子群优化(QPSO)算法进行求解。最后将仿真实验结果与粒子群优化(PSO)算法进行比较,表明QPSO算法在优化性能上优于PSO算法,有效提高了节点定位精度,证明该方法的有效性。     

基于量子粒子群优化算法的无线传感器网络节点优化

针对无线传感器网络感知节点的分布优化问题进行了研究,提出了一种基于量子粒子群优化(QPSO)算法的分布优化机制。仿真实验结果表明:QPSO算法在优化性能上优于传统遗传算法(GA)和量子遗传算法(QGA),能够有效提高网络整体的感知能力,该方法用于传感器节点优化部署是可行的。     

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。     

基于量子粒子群算法的机器人路径规划

提出了一种基于量子粒子群优化算法的移动机器人全局路径规划方法。首先对环境地图进行建模,通过坐标变换在路径的起点与终点之间建立新地图,然后利用量子粒子群优化算法获得一条全局最优路径。该方法模型简单,算法复杂度低,收敛速度快,而且模型不依赖于障碍物的形状。仿真实验证实了该方法的可行性与有效性。