多智能体粒子群优化的SVR 模型预测控制

参数的优化选择对支持向量回归机的预测精度和泛化能力影响显著,鉴于此,提出一种多智能体粒子群算法(MAPSO)寻优其参数的方法,并建立MAPSO支持向量回归模型,用于非线性系统的模型预测控制,推导出最优控制率.采用该算法对非线性系统进行仿真,并与基于粒子群算法、基于遗传算法优化支持向量回归机的模型预测控制方法和RBF神经网络的预测控制方法进行比较,结果表明,所提出的算法具有更好的控制性能,可以有效应用于非线性系统控制中.     

基于差异演化的ε-SVRM参数优化

参数优化是ε-支持向量回归机研究领域的重要问题,其本质是一个优化搜索的过程.基于差异演化算法在求解优化问题上的有效性,提出了以差异演化算法寻优技巧的ε-支持向量回归机参数优化方法.将该算法应用于受噪声影响的标准函数,与采用遗传算法、蚁群算法、粒子群算法对支持向量机进行优化的仿真实验结果对比表明由DE算法所确定的ε-支持向量回归机具有较好的预测性能.     

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。      

面向时序预测的支持向量回归参数选择方法

支持向量回归作为一种新的学习方法,在用于时间序列建模与预测时具有较好的泛化性能和预测能力.在支持向量回归建模的过程中,参数的选择对于模型的准确性至关重要.针对目前支持向量回归模型参数优化中存在的问题,提出一种面向时间序列预测的支持向量回归参数选择方法.根据时间序列及其预测的特点,对传统的交叉验证方法进行了改进,在保证时间序列预测方向性特征的基础上,充分挖掘有限样本所包含的信息,并将之与(-加权的支持向量回归相结合以选择好的模型参数.典型时间序列上的实验结果表明了所提出的支持向量回归参数选择方法的有效性,该方法在用于时间序列预测时取得了良好的效果.     

基于DE的ε-SVRM参数优化研究

参数优化是ε-支持向量回归机研究领域的重要问题,其本质是一个优化搜索的过程。基于差异演化算法在求解优化问题上的有效性,提出了以差异演化算法寻优技巧的ε 支持向量回归机参数优化方法。将该算法应用于受噪声影响的标准函数,与采用遗传算法、蚁群算法、粒子群算法对支持向量机进行优化的仿真实验结果对比表明由DE算法所确定的ε 支持向量回归机具有较好的预测性能。     

基于PSO优化的SVM预测应用研究*

支持向量机参数对支持向量机的性能有着重要影响,参数选择问题是支持向量机的重要研究内容。针对此问题,提出一种基于粒子群优化算法的支持向量机参数选择方法。实验结果表明,经粒子群优化算法优化的支持向量机回归模型具有较高的预测精度,粒子群优化算法是选取支持向量机参数的有效方法。     

基于改进的网格搜索SVR的话务预测模型

话务预测是整个通信保障工作的基础,其预测精度决定了整个规划的合理性和科学性。而节假日话务量,具有历史样本量较小和非线性强的特点,传统的预测方法很难实现精确的预测。支持向量机在解决小样本和非线性问题时表现出许多特有的优势。提出了一种改进的网格搜索法和交叉验证法对支持向量回归机(SVR)参数优化选择,并对节假日忙时话务进行预测,并与BP神经网络、基本的SVR和网格搜索SVR三种预测模型进行比较。而且用免疫算法和粒子群算法优化SVR参数与本文算法作比较来预测普通日子的话务量。实验结果表明,基于改进的网格搜索SVR预测精度高、耗时少、稳定性强,具有很好的实用性和推广性。     

改进粒子群算法优化支持向量机的短期负荷预测

针对支持向量回归机在预测建模中的参数选取问题,提出一种基于混沌自适应策略的粒子群优化支持向量回归机参数的方法.采用混沌映射算法和聚合度自适应判断策略,增强种群的全局寻优性能,提升粒子的多样性,从而避免种群过早收敛.充分考虑天气、节假日、居民消费等因素的影响,提出一种改进的支持向量回归机预测模型并与粒子群算法的支持向量回归机模型进行对比分析.分析结果表明,该预测模型可将预测的均方根误差降低约40％,绝对值误差降低约42％,相对误差降低约46％,仿真结果验证了所提方法优化了支持向量回归机参数,改善了预测效果.     

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.     

基于支持向量回归机的HHT边界效应处理

针对希尔伯特-黄变换中的边界效应，提出了基于支持向量回归机的时间序列预测方法．在支持向量回归机的应用当中，参数的选取对它的泛化性能有很大影响．在讨论了参数对支持向量回归机的泛化性能的影响基础上，提出了通过微粒群优化算法来优化支持向量回归机参数的方法，使得支持向量回归机在应用中能够自适应的选择最优参数，从而获得了更好的泛化性能，提高了在端点处的延拓精度，很好地抑制了端点效应．试验表明，该优化算法能够很好解决支持向量回归机的参数选取问题．通过与神经网络的延拓方法和黄等人的HHTDPS结果对比，基于支持向量回归机的时间序列预测方法可以更好地解决在希尔伯特-黄变换中存在的边界效应，得到的固有模态函数具有较小的失真．     

基于Hadoop平台的分布式SVM参数寻优

参数的选择对算法分类与预测的正确率有直接影响。在参数选择中全局网格搜索有着计算可靠、简单、优化效果明显的优势,适合应用于可靠性要求高的工程运算,如在复杂系统的故障诊断中对故障模式识别算法进行参数寻优等。但是,全局网格搜索在寻优过程中耗时过长,仍然是一个制约其使用的问题,尤其对于实时性要求较高的系统。以支持向量机的参数全局寻优问题为例,针对网格搜索寻优时间长的缺点,利用Hadoop平台进行分布式参数寻优,借助HDFS将参数自动划分到计算节点上,并运用MapReduce计算框架建立分布式参数寻优模型,完成模型训练预测及参数优化。实验结果表明,在不降低算法性能的前提下提高了寻优效率。     

基于效用最优的网格计算资源调度算法

基于市场机制提出了一种以资源代理为基础面向服务的网格资源管理模型--SBAGRM,在该模型的框架下提出了一种基于效用的网格资源调度算法,该算法以满足用户的QOS需求为出发点,旨在追求系统资源的全局最优化。     

基于遗传算法的网格制造资源优化选择

制造资源的选择和优化是制造网格应用过程中的关键问题.本文通过对已有制造资源搜索方法进行分析,指出其存在的局限性;在对资源选择问题进行数学描述的基础上,提出了一个基于遗传算法的制造资源组合优化模型,并对该模型的算法进行了设计;最后,给出了一个典型算例,以说明该模型和算法的有效性.     

基于反馈机制的克隆反馈优化算法的稳定性研究

克隆选择算法是一种基于克隆选择原理的进化优化算法,但是它因受抗体浓度的影响而稳定性较差。在传统的克隆选择算法的基础上,充分考虑抗体的浓度和种群多样性两方面因素,提出了一种新的基于反馈机制的克隆反馈优化算法。该算法融入了一种进化反馈深度模型和种群生存度设计理念,有效提高了算法的稳定性。最后,将该算法应用到网格计算独立任务调度中,取得了较理想的实验结果。     

网格计算经济中的资源绑定

针对网格计算经济,提出资源绑定的模型,并结合任务对资源的需求和QoS要求,就绑定资源的描述、价格、资源绑定的优化,绑定流程等进行了深入研究.在此基础上,实现了基于绑定的调度算法.实验结果证明,资源绑定在任务完成时间和成本支出上取得了良好的效果,促进了资源调度,有利于提高整个网格资源管理系统的效率.     

基于效益最优的网格资源调度

网格资源管理和调度是一个非常复杂和重要的研究问题,传统的集中式管理和调度方法很难适用于网格计算环境,基于经济模型的资源管理和调度成为当前的研究热点。论文提出了一个基于效益最优的网格资源调度算法,模拟试验表明新的调度算法具有较好的调度长度。     

基于后移空余时间的网格资源调度优化

网格资源调度的优化不仅体现在资源的选择上,还与任务之间的时间序列密切相关。就调度的优化问题,在深入分析静态调度时间序列的基础上,给出了动态分配时间模型,提出了后移空余时间的计算,并将其与后继任务的预计时间合并,由此设计了后移空余时间的成本优化调度算法(BOS)。实验证明,所提出的调度算法大幅度地缩短了应用的平均执行时间和运行成本,实现了调度的优化。     

飞行器外型设计遗传优化算法的网格实现

飞行器外型设计遗传优化算法网格计算系统是基于网格技术的。该系统由一组网格服务所构成。遗传算法中的流场计算模块（CFD)在该系统中是以服务的方式提供并可运行在各种计算机上。在该系统中，能够动态地发现和利用计算机资源，这些资源可以是异构的机型，可以是不同操作系统，井且这些资源的位置也可以是广域分布的。这个系统，为飞行器外型设计提供了更加灵活的设计手段，比如对设计过程的监控和控制，多用户协作设计等。     

一种基于QoS的网格资源选择优化模型

大量任务请求使用网格资源时,必须进行合理调度和资源分配才能提供较高的服务质量。通过对网格QoS几个重要属性进行量化,以最大化系统服务性价比为目标,提出了一种基于退火遗传算法的网格资源选择优化模型,并介绍了算法的详细流程。最后,通过仿真实验验证了该模型的有效性。     

校园计算网格环境中资源监测与资源发现研究

建设校园计算网格首先要解决资源监测与资源发现问题。资源监测为其他的网格中间件提供必要的与资源有关的性能数据,是资源发现和任务分配的基础。资源发现将网格中不被用户所知道的资源与请求使用资源的用户联系起来。资源发现功能的强弱直接决定了网格的使用效率和友好程度。本文结合校园计算网格本身的特点,给出了建设校园计算网格应实现的功能,着重探讨了资源监测与发现基本理论和相关技术,提出了资源监测与发现的方法,最后设计并实现了校园计算网格资源监测与发现服务。