基于启发式算法的混沌支持向量机流量预测

针对现有混沌支持向量机回归模型存在流量预测效率低下的问题,利用差分进化(DE)算法、遗传算法和粒子群优化算法确定模型的径向基核函数系数、惩罚系数、不敏感系数等参数,在此基础上建立改进的混沌支持向量机回归模型进行流量预测。实例表明,相比其他启发式算法,DE算法能以较高的效率搜索到混沌支持向量机回归模型的最优参数,并且该模型具有较高的预测精度。     

基于差分进化算法的支持向量回归机参数优化

支持向量机是结构风险最小化原理的一种新型学习技术,被广泛应用到很多工业控制领域中,良好的泛化能力和预测精度在很大程度上受到参数选取的影响.传统参数选择方法易陷入局部最优,为提高优化识别参数的精度和效率,提出基于差分进化算法的支持向量回归机参数优化算法.以均方误差最小为优化准则,差分进化算法的全局寻优能力,搜索支持向量回归机的最优参数组合,达到对参数的最优选择.通过Matlab进行仿真实验,结果表明改进的算法不仅加快参数搜索和优化的速度,而且选择的最优参数能大大提高支持向量机预测精度和泛化能力,并具有良好的鲁棒性和较强的全局寻优能力.     

基于CMA—ES算法的支持向量机模型选择

研究模型选择对支持向量机(SVM)的泛化性能有着重要影响。针对传统梯度算法对初始值敏感及网格搜索法计算复杂的缺点,为了提高全面优化能力和分类精度,提出了一种基于协方差矩阵自适应进化策略(CMA-ES)的支持向量机(SVM)模型优化算法,通过对SVM泛化性能界(Bounds on Generalization Performance)的优化求解,实现了基于CMA-ES算法的SVM模型选择。在标准数据集上的实验结果表明:相比遗传算法和梯度算法,上述方法能够在较小计算代价下得到更优的超参数,提高支持向量机的预测精度稳定性,尤其适合大样本数据条件下的模型选择。     

基于迁移学习灰支持向量回归机的交互式进化计算

针对机器感知评价和种群进化,提出基于迁移学习灰支持向量回归机的个体适应值预测方法和聚类进化策略.通过共享用户已评价个体适应值学习模型与部分未评价个体适应值学习模型,实现知识模型差异最小化.建立具有迁移学习能力的灰支持向量回归机模型,预测未评价个体适应值.基于聚类子集计算个体平均距离,并设计选择算子和交叉算子,扩大子代搜索区域,增强种群多样性.基于上述策略,采用NSGA-II范式实现交互式进化计算.最后,分析算法时间复杂度,表明算法可提高评价精度,并克服局部收敛问题.将该算法应用于室内灯光调色问题,验证所提出方法的有效性.     

高斯-柯西变异算子优化的LSSVM模型研究

论文针对标准量子粒子群算法易陷入局部极值的问题,提出一种改进的量子粒子优化最小二乘支持向量机的方法。利用高斯变异数的局部开发能力以及柯西变异数的全局搜索能力,在量子粒子群优化算法中,引入高斯-柯西变异算子,帮助算法跳出局部极值。并利用该优化模型进行光伏发电量预测实验,对优化的最小二乘支持向量机模型的预测结果与其他模型预测结果进行比较,结果表明:基于高斯-柯西变异算子的量子粒子群优化的最小二乘支持向量机对光伏发电量的预测具备较好的收敛速度和跳出局部收敛困境的能力。     

基于改进萤火虫寻优支持向量机的PM2.5预测

针对现有PM2.5浓度预测误差较大的问题,提出一种基于改进萤火虫寻优支持向量机的预测模型（IFA-SVM）.该模型引入邻域搜索和可变步长策略改进萤火虫算法,利用改进FA对SVM的参数C、ε和γ寻优,用最优参数SVM模型预测太原市PM2.5值.其中邻域搜索策略能为参数优化提供更多更精确的候选解;可变步长可动态调整算法搜索步长,加速收敛,平衡FA的全局和局部搜索能力.将IFA-SVM预测值与萤火虫算法-支持向量机（FA-SVM）、遗传算法-支持向量机（GA-SVM）、粒子群算法-支持向量机（PSO-SVM）相比较.结果表明较其他方法,IFA-SVM模型对太原市未来一天和三天的PM2.5值都取得了更精确的预测性能.     

LS-SVM时间序列预测 ——免疫文化基因算法进行LS-SVM参数选优

针对最小二乘支持向量机（LS-SVM）在时间序列预测中的参数不确定问题,在训练阶段,使用结合了全局搜索和局部搜索的免疫文化基因算法来进行参数寻优。实验中通过对Lorenz时间序列和建筑能耗的两组预测实验,对比了免疫文化基因算法、遗传算法和网格搜索算法对LS-SVM参数的优化效果,证明了免疫文化基因算法的优化效果最好,且LS-SVM的预测精度比支持向量机（SVM）和BP网络预测都要高。     

改进的混合蛙跳算法

为提高混合蛙跳算法在优化问题求解中的性能,提出了一种改进混合蛙跳算法。改进算法在原算法基础上加入了变异算子,并根据算法进化过程的不同阶段和进化过程中候选解分布情况,利用模糊控制器对变异算子的变异尺度进行调整,实现了变异算子在解空间中搜索范围的动态调整。通过对优化问题中4个典型测试函数的仿真实验表明,与基本蛙跳算法和已有改进算法相比,改进算法在寻优精度、收敛速度和求解成功率上均有一倍以上的提高,尤其在高维复杂优化问题求解中体现出较强的寻优能力。     

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.     

多阶灰色支持向量机集成预测模型研究

对灰色预测模型GM(1,1)和支持向量机SVM预测模型进行分析,提出了多阶灰色支持向量机集成预测模型Dm_GM(1,1)-SVM。通过多阶缓冲算子改进灰色预测模型的预测精度,对最终预测值的各个相关指标进行预测;同时,采用粒子群优化算法对支持向量机模型进行径向基核参数和惩罚参数寻优,得到最佳参数对(c,g),从而确定支持向量机的最佳回归模型;最后将各指标预测值作为支持向量机模型的输入,依据预测模型和预测模型的输入值求得预测结果。实验实例表明,多阶灰色支持向量机集成模型和传统的预测模型相比,在本例中预测精度更高,说明多阶灰色预测模型和支持向量机模型相结合在解决实际预测问题中具有实用价值。     

基于SADE的混合核LSSVM在压缩机故障预测中的应用

螺杆式制冷压缩机具有种类的多样性以及故障的复杂性，存在难以获得有效的预测模型的问题。提出了一种基于自适应差分进化算法（SADE）优化的混合核最小二乘支持向量机（LSSVM）的预测模型，该模型的SADE相比其他智能寻优算法理论，其结构简单、参数设置少且搜索能力强。在寻优过程中，SADE分别从差分策略、缩放因子、交叉概率做到了自适应，保证了寻优初期的全局搜索能力和种群多样性，提高了局部搜索能力和收敛速度；利用SADE对核参数、LSSVM参数、混合核调节参数进行寻优，提高了混合核LSSVM预测模型的精度。将该模型运用到压缩机的故障预测实验中，结果表明，该模型能有效的预测出压缩机的故障，验证了该模型的可行性。     

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。     

基于差分进化算法的支持向量机参数选择

支持向量机参数是影响其性能的重要因素,为了进一步提高支持向量机分类精度和泛化能力,提出了基于差分进化算法的SVM参数选择。以样本误判率最小为优化准则,利用差分进化算法对SVM参数进行优化选择。实验结果表明,利用差分进化算法选择SVM参数,加快了参数搜索的速度,提高了SVM分类精度,该方法具有良好的鲁棒性和较强的全局寻优能力。     

基于DE-SVM非线性组合预测模型的研究

为提高预测精度,提出DE-SVM非线性组合预测模型。以组合预测模型的误差平方和最小为优化准则,用差分进化算法（DE）对支持向量机参数进行优化,并利用支持向量机对单一模型的预测结果进行组合预测。算例结果表明,DE-SVM综合利用了各单个预测模型的重要预测信息,其预测误差远远小于各单个模型的预测误差,其预测精度更高,模型的实用性更强。     

基于IPSO-SVM的大气候室相对湿度预测

针对大气候室相对湿度控制效果存在明显滞后的问题，建立改进粒子群算法（IPSO）-支持向量机（SVM）的相对湿度预测模型。首先引入Tent混沌映射初始化种群，使初代粒子均匀分布于搜索空间，增加种群多样性；其次采用新的惯性权重非线性调整策略，平衡粒子的全局搜索与局部搜索能力；最后引入随机蛙跳算法（SFLA）的跳跃机制，一定程度上避免了标准PSO算法过早收敛，陷入局部最优的问题。实验结果表明：在三组数据集中，相较于PSO-SVM和GA-SVM算法，本模型具有最优的预测精度，决定系数均在0.97以上，该模型可为优化大气候室相对湿度控制策略提供参考。     

DE-SVM融合算法在入侵检测中的应用

为提高网络数据的检测效率,将差分进化算法与支持向量机算法融合（DE-SVM）应用到网络入侵检测中。引入自适应算子优化差分进化算法中的交叉概率CR和摄动比例因子F,采用优化的DE算法对支持向量机的参数进行选择,构建DE-SVM入侵检测算法。KDDCUP 99数据集的测试结果表明,融合算法提高了网络入侵检测的性能,缩短了训练时间。     

基于IPSO混沌支持向量机的网络流量预测研究

针对传统混沌支持向量机参数寻优算法的不足,提出了一种改进的粒子群(IPSO)算法。该算法通过延长迭代的开始阶段和最后阶段的搜索时间,实现了算法的全局搜索与局部搜索能力之间的平衡,进而优化模型参数,建立了基于IPSO优化的混沌支持向量机预测模型。应用实例结果表明,该模型对网络流量预测是有效可行的,并具有较高的寻优效率、预测精度和较好的稳态性能。     

基于改进量子粒子群算法的支持向量机参数优化方法

支持向量机参数的选择对建模精度和泛化性能等有着重要的影响,提出量子粒子群优化(QPSO)改进算法优化支持向量机（SVM）参数的方法。该方法首先将混合扰动算子引入QPSO算法中,用于获取平均最优位置,建立一种基于混合扰动算子的QPSO算法改进方法（IQPSO）,然后用IQPSO算法的全局优化能力对支持向量机惩罚系数和核参数进行综合寻优,求取最优化参数组合,从而提高支持向量机的求解速度和解的精确性。利用测试函数和UCI测试数据,对IQPSO-SVM进行仿真测试与分类,实验结果表明,IQPSO能获得很好的优化结果,IQPSO-SVM具有较好的泛化性能。     

基于锦标赛选择变异策略的改进差分进化算法及函数优化

针对差分进化算法传统变异策略在全局收敛鲁棒性和搜索效率上不能达到一个很好的折衷,并且算法的操作算子固定,导致搜索效率低、易早熟收敛等问题,文中在差分进化算法变异策略性能分析的基础上,提出了一种基于锦标赛选择的变异策略。该策略采用“锦标赛选择”对随机选取的变异向量排序选出基向量,差分向量选择有利于搜索的方向并对其 “强化”,以提高收敛速率和维持种群多样性;同时操作算子采用随机正态缩放因子F和时变交叉概率因子CR,以平衡局部搜索和全局搜索;最后,利用4个典型Benchmarks测试函数对改进算法进行测试。实验结果表明,该改进型差分进化算法能有效避免早熟收敛,较好地提高算法的全局收敛能力和搜索效率。