改进粒子群算法优化支持向量机的工程造价预测

工程造价预测一直是工程管理研究中的重点,针对工程造价预测中的支持向量机参数优化问题,提出一种改进粒子群算法优化支持向量机的工程造价预测模型(IPSO-SVM).首先收集工程造价数据,并对其进行归一化处理,然后采用支持向量机对工程造价的训练样本进行学习,并采用改进粒子群算法对支持向量机的核函数参数进行优化,最后采用Matlab 2012工具箱对工程造价进行仿真实验.实验结果表明,IPSO-SVM有效提高工程造价的预测精度,预测结果具有一定的实际应用价值.     

基于改进遗传算法的支持向量机参数优化方法

针对支持向量机算法在回归预测时由于参数选取不当导致过学习或欠学习的情况,提出一种基于改进遗传算法的支持向量机参数优化模型。该模型将遗传算法与支持向量机结合,利用遗传算法进化搜索的原理对支持向量机具有重要意义的惩罚参数、核参数和损失函数同时优化。实验选取3组标准数据集作为测试数据集,并将改进算法同时与遗传算法、网格寻址算法、粒子群算法进行仿真测试结果对比。实验结果表明改进的算法较大地提高了支持向量机算法整体的寻优能力。     

基于交叉验证网格寻优支持向量机的产品销售预测

综合考虑影响汽车销售的多种因素,运用交叉验证网格搜索优化支持向量机的惩罚系数和核函数参数,建立了适合汽车销售的预测模型.仿真实验结果表明,改进支持向量机优化汽车销售预测模型的预测效果比某公司当前采用的模型更佳,该模型具有较高的预测精度和较大的可信度,可为企业决策层提供较为准确的销售预测参考.     

基于支持向量回归机的股票价格预测

研究股票价格预测问题,股票价格变化具有非线性、时变性,传统线性预测模型难以准确刻画股价变化规律,且非线性神经网络存在过拟合、局部最小等缺陷,预测精度比较低。为提高股票价格预测精度,提出一种基于粒子群优化支持向量机的股票价格预测模型。利用粒子群算法良好的寻优能力,对支持向量机参数进行优化,加快支持向量机学习速度,再采用非线性预测能力优异的支持向量机对股票价格进行预测。以南天信息股票价格对模型性能进行仿真,实验结果证明,支持向量机预测模型能全面反映股票价格变化的非线性的时变规律,获得更高预测精度,预测结果对股民实际操作具有较大的指导价值。     

基于鲸鱼算法改进支持向量机的信息网络安全态势预测研究

数字化转型发展对电力企业的信息网络安全提出了更高的要求,加强电力企业信息网络安全直接关系着企业经营管理与数字安全管控目标的实现。基于此,在对支持向量机算法分析的基础上,采用鲸鱼优化算法对支持向量机(SVM)算法的惩罚系数与核函数参数进行优化,得到了用于网络信息安全态势预测的改进支持向量机算法。将改进的SVM算法应用于HoneyNet组织收集的黑客攻击数据,并和传统的SVM算法进行对比,结果表明改进的SVM算法对信息网络安全态势值的预测具有更高的精度,这对企业有效把握信息网络安全态势具有一定的参考价值。     

基于混沌果蝇支持向量机回归的产品销售预测

针对制造业产品销售时序具有多维、小样本、非线性、多峰等特征,提出一种混沌果蝇支持向量机回归的产品销售预测方法。将混沌理论引入到果蝇优化算法中,从而提高果蝇种群多样性和搜索的遍历性,并在寻优过程中加入混沌扰动,避免搜索过程陷入局部最优,增加持续搜索可行解的能力。并用算例验证了混沌果蝇优化算法（Chaos Fruit Fly Optimization Algorithm,CFOA）的优化性能,通过优化支持向量机回归（Support Vector Regression,SVR）的参数构建销售预测模型,进行了汽车零部件销售预测。结果表明基于混沌果蝇支持向量机回归的产品销售预测方法是有效可行的。     

基于改进粒子群算法的支持向量机

对求解含线性约束优化问题的粒子群算法（LPSO）进行了改进,给出了应用其训练支持向量机（SVM）的方法。改进后的算法在基本PSO惯性权重策略的基础上加入了基于种群收敛速度的自适应扰动,能够较好地调整算法的全局与局部搜索能力之间的平衡。对双螺旋问题的分类实验表明本文提出的方法稳定性好,训练出的SVM具有较高的分类正确率。     

基于改进人工鱼群算法的支持向量机预测

由于参数的选择范围较大,在多个参数中进行盲目搜索最优参数的时间代价较大,且很难得到最优参数.为此,提出一种基于改进人工鱼群算法(AFSA)的支持向量机(SVM)预测算法.对AFSA进行改进,并使用改进算法优化SVM.实验结果表明,与遗传算法、粒子群优化算法和基本AFSA优化的支持向量机相比,该算法的均方误差降低为2.51×10-3,提高了预测精度.     

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。     

改进蚁群算法在支持向量机中的应用

提出一种改进的蚁群算法(ACA)来优化支持向量机(SVM)训练参数.该改进算法建立于每只蚂蚁只根据参数β在其前次迭代的最优解附近搜索,可快速减少搜索范围.参数β的提出可以保证蚁群快速地达到最优解.仿真结果表明:使用该方法优化SVM参数可有效避免陷入局部极值,提高收敛速度.     

基于均匀局部搜索和可变步长的萤火虫算法

针对萤火虫算法（FA）收敛速度慢和求解精度不高的问题,提出一种基于均匀局部搜索和可变步长策略的萤火虫优化算法（UVFA）。首先,根据均匀设计理论建立局部搜索算子,对FA的搜索过程进行改进,以提升算法的局部开采能力和收敛速度;其次,利用可变步长策略,动态地调整算法搜索步长,以平衡全局和局部的勘探能力和开采能力;最后将均匀局部搜索算子和可变步长进行融合。通过对12个标准测试函数进行仿真实验,结果表明,UVFA的目标函数均值均明显优于FA、明智步长策略的萤火虫算法（WSSFA）、可变步长萤火虫算法（VSSFA）和基于均匀局部搜索的萤火虫优化算法（UFA）,并且时间复杂度明显降低,并且在低维和高维问题中均显示出了较好的质量,具有良好的鲁棒性。     

基于几何判据的SVM参数快速选择方法

支持向量机中核函数及其参数的选择具有重要意义。提出一种基于高斯核函数的支持向量机参数对快速求取方法,根据支持向量之间的几何判据,结合线性搜索法完成参数寻优,具有简单、计算量小、易于实现的优点。实验结果表明,该方法较好地解决了高斯核函数参数在实际使用中不易确定的问题,且运算速度高于原有方法。     

改进吸引度的动态搜索萤火虫算法*

萤火虫算法在解决高维优化问题时存在吸引度降低导致算法陷入局部最优、迭代后期寻优精度低的缺点.针对此问题,文中提出改进吸引度的动态搜索萤火虫算法.引入最小吸引度的概念以加强个体间信息的交流,同时采用动态搜索的思想,根据目标函数最优值信息自适应调整步长.在CEC2014中10个典型测试函数上的测试结果表明,文中算法具有较快的收敛速度和较高的寻优精度.     

一种改进的基于粒子群优化的SVM训练算法

支持向量机的训练需要求解一个带约束的二次规划问题,但在数据规模很大的情况下,经典的训练算法将会变得非常困难。提出了一种改进的基于粒子群的优化算法,用于替代支持向量机中现有的训练算法。在改进后的粒子群优化算法中,粒子不仅向自身最优和全局最优学习,还以一定的概率向其他部分粒子的均值学习。同时,还引进了自适应变异算子,以降低未成熟收敛的概率。实验表明,提出的改进训练算法相对改进前的算法在性能上有显著提高。     

基于混沌遗传算法的SVM特征和参数优化

为解决支持向量机(SVM)分类器的样本特征选择和参数优化问题,提出一种将特征选择和参数选择进行联合优化的方法。基于变尺度的混沌遗传算法,联合优化染色体编、译码,利用混沌的遍历性产生初始种群,改进遗传算法中的交叉算子,动态缩减寻优区间。将该方法应用于短波通信控制器的诊断分类器中,以实现分类器特征子集选取和参数的联合优化,结果表明该方法具有较强的寻优能力。     

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。     

基于改进萤火虫算法求解旅行商问题

鉴于TSP问题是古老的组合优化难题,而萤火虫算法在求解函数优化问题中表现出优良的性能,因此,本文利用改进的萤火虫算法求解TSP问题.首先,在分析了旅行商问题的特点后,采用整数编码的方式来表示萤火虫的位置.然后,在标准萤火虫算法的位置更新过程中引入了对数递减的惯性权重来影响萤火虫的迭代过程,同时结合了遗传算法中的选择,交叉,变异以及进化逆转操作来提高每一次迭代中种群的多样性及种群的搜索能力,并将改进的算法解决TSP问题.最后,通过Matlab仿真实验表明改进的算法在求解TSP问题时具有更好收敛速度和优化效果.     

改进的支持向量机特征选择算法

针对采用支持向量机进行分类的特征子集选择问题,提出一种改进的基于梯度向量的特征评测算法。该算法在核特征空间中,利用数据点到分类超平面的距离函数的梯度向量对各个特征的重要性进行排序,省去了已有算法中计算梯度向量与各个坐标轴夹角的过程,实验结果表明,该算法简化了已有的基于角度的特征选择方法,并且结果保持一致。     

一种基于凸壳算法的SVM集成方法

为提高支持向量机(SVM)集成的训练速度,提出一种基于凸壳算法的SVM集成方法,得到训练集各类数据的壳向量,将其作为基分类器的训练集,并采用Bagging策略集成各个SVM。在训练过程中,通过抛弃性能较差的基分类器,进一步提高集成分类精度。将该方法用于3组数据,实验结果表明,SVM集成的训练和分类速度平均分别提高了266％和25％。     

一种改进的支持向量机学习算法

分析支持向量机的几种常用的训练方法,在这个基础上提出一种改进的支持向量机学习方法。该方法将违反KKT条件程度最厉害的样本提取出来,然后缓存这些样本,作为工作集的选择范围,而且根据训练时缓存的特点,在缓存的替换上给出一种新的方法。该方法提高核缓存的命中率,减少工作集选择的代价,从而减少训练时间。实验表明,该方法能够很好地提高支持向量机的训练速度。