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。     

基于改进的QPSO训练BP网络的网络流量预测*

为了提高网络流量预测的精度,采用一种改进的QPSO算法训练BP神经网络对网络流量数据的时间序列进行建模预测。针对标准的QPSO算法不可避免地出现早熟的不足,提出一种新的基于参数自适应的QPSO算法,较好地避免了粒子群的早熟,提高了算法的全局收敛性能。仿真实验结果表明,与PSO训练的BP网络、QPSO训练的BP网络作为预测模型相比,该模型具有更高的预测精度及很好的稳定性。     

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。     

MATLAB7.0中改进BP网络的实现

BP神经网络广泛应用于非线性建模,模式识别等方面,针对BP网络收敛速度慢,计算量大等缺点,介绍了BP神经网络改进训练算法,利用MATLAB7.0中的神经网络工具箱提供的丰富的训练函数,对几种典型的BP网络训练算法的训练速度进行比较,给出了应用实例和注意事项。     

基于小波降噪和改进免疫优化的BP模型网络流量预测

为了实现大规模复杂网络的流量预测,并改善传统BP网络预测模型存在的收敛速度慢和容易陷入局部最优的缺陷,提出了一种基于小波降噪和改进人工免疫优化BP神经网络的网络流量模型;首先,描述了网络流量预测的基本原理;然后,采用小波包降噪法对网络流量原始采样序列进行降噪处理,在此基础上定义了采用BP网络进行网络流量预测的算法,在确定了神经网络的结构后,采用训练数据和改进的人工免疫优化算法对BP网络中的参数即权值和阀值进行优化,从而得到最终的BP网络流量预测模型;最后,采用1 800组样本中的1 200组训练数据对网络进行训练后得到最终的BP网络模型,再采用剩余的600组测试数据进行流量预测;实验结果证明结合人工免疫算法和BP网络的网络流量预测模型能实现大规模复杂网络的流量预测,且较传统方法相比,具有收敛速度快、训练时间短和预测精度高的优点。     

基于BP网络的股市预测模型设计

根据BP网络进行股市预测的原理,建立基于BP网络的股市预测模型,采用改进后的BP算法进行股市预测,对所建的预测模型进行训练,可达到预测效果。     

一种多轨道动态隧道技术训练BP网络算法

BP算法训练神经网络具有训练易陷入局部极小,收敛速度缓慢的缺点.将动态隧道技术运用到训练BP网络上,可以有效的改进BP网络易陷入局部极小的缺陷,但是传统的动态隧道技术训练BP网络算法在隧道方向具有不稳定性.提出一种多轨道动态隧道技术训练BP网络算法,在原基础上,增加了隧道搜索方向,考察搜索方向之间的相互影响,有效的改进了原算法的搜索效率.还对提出的新算法进行了性能分析,通过两种数据集进行了实验验证,证明其性能优于传统的动态隧道技术训练BP网络算法.     

基于QPSO的BP神经网络油田节能指标预测

针对BP神经网络易陷入局部极小问题以及收敛速度慢的问题, 引入量子粒子群优化算法和BP神经网络相结合的方法, 共享BP神经网络强大的灵活性和量子粒子群全局搜索能力强的优势, 通过改进QPSO的平均最优位置的计算方法, 实现基于BP神经网络和量子粒子群的油田节能指标预测. 以大庆某采油厂注水泵机组单耗数据为训练数据, 预测结果表明该方法能达到良好的预测效果, 具有可行性.     

BP神经网络的改进

BP神经网络易于陷入局部最小点以及收敛速度较慢,为了克服这些缺陷,本文对BP神经网络进行改进。通过对BP神经网络的样本进行采样分析,得到训练目标函数与输入向量之间的相关系数,依据此相关系数得到网络训练时的初始权重,再给待训练的BP神经网络进行初始权重的赋值,通过对初始权重的科学赋值从而达到避免网络在训练过程中陷入局部最小点与加快收敛速度的目的。本文通过实际验证,确实达到预期目的。     

提高BP网络收敛速率的又一种算法

提高BP网络的训练速率是改善BP网络性能的一项重要任务。该文在误差反向传播算法(BP算法)的基础上提出了一种新的训练算法，该算法对BP网络的传统动量法进行了修改，采用动态权值调整以减少训练时间。文章提供了改进算法的仿真实例，仿真结果表明用该方法解决某些问题时，其相对于BP网络传统算法的优越性。     

基于QPSO训练支持向量机的人脸识别

遗传算法和粒子群算法等智能搜索技术可在较少的时间开销内给出问题的近似解.量子粒子群优化(QPSO)算法是在经典的微粒群算法的基础上所提出的一种高效的收敛性,稳定性的进化算法.将操作简单而收敛快速的QPSO算法运用于训练支持向量机(SVM),结合KPCA特征提取方法,用于人脸图像的分类识别中,为人脸识别问题的研究开辟了新的途径.     

量子粒子群算法在电力系统经济调度中的应用

量子粒子群算法以粒子群算法为基础,加入了量子波动理论,具有较好的全局收敛性.通过对电力系统经济调度问题中高维数、非线性、多约束等特点进行分析,运用具有量子行为的粒子群优化算法来解决电力系统经济调度问题,经过多组算例的测试:在满足电力系统各种约束的前提下,证明了新方法有效可行,能取得较好的收敛结果和鲁棒性.     

基于QPSO算法的单阶段投资组合优化

投资组合优化问题是NP难解问题,通常的方法很难较好地接近全局最优.在经典微粒群算法(PSO)的基础上,研究了基于量子行为的微粒群算法(QPSO)的单阶段投资组合优化方法,具体介绍了依据目标函数如何利用QPSO算法去寻找最优投资组合.在具体应用中,为了提高算法的收敛性和稳定性对算法进行了改进.利用真实历史数据进行验证,结果表明在解决单阶段投资组合优化问题时,基于QPSO算法的投资组合优化的性能比PSO算法更加优越,且QPSO算法在投资组合优化领域具有很大的实际应用价值.     

An improved cooperative quantum-behaved particle swarm optimization

Particle swarm optimization (PSO) is a population-based stochastic optimization. Its parameters are easy to control, and it operates easily. But, the particle swarm optimization is a local convergence algorithm. Quantum-behaved particle swarm optimization (QPSO) overcomes this shortcoming, and outperforms original PSO. Based on classical QPSO, cooperative quantum-behaved particle swarm optimization (CQPSO) is present. This CQPSO, a particle firstly obtaining several individuals using Monte Carlo method and these individuals cooperate between them. In the experiments, five benchmark functions and six composition functions are used to test the performance of CQPSO. The results show that CQPSO performs much better than the other improved QPSO in terms of the quality of solution and computational cost.     

基于量子粒子群算法的复杂函数参数估计

数理统计中在处理回归的问题时,常用的传统参数估计方法存在着一些严重不足之处.为解决此问题,提出了将基于量子行为的微粒群优化(QPSO)算法应用于复杂函数的参数估计中.通过仿真实验,表明了该算法不仅可以准确地估计出复杂函数的参数,并且具有计算简便、收敛速度快等特点.通过与传统微粒群(PSO)算法的比较,证明了QPSO算法的优越性.     

A two-stage quantum-behaved particle swarm optimization with skipping search rule and weight to solve continuous optimization problem

Quantum-behaved particle swarm optimization (QPSO) is a recently developed heuristic method by particle swarm optimization (PSO) algorithm based on quantum mechanics, which outperforms the search ability of original PSO. But as many other PSOs, it is easy to fall into the local optima for the complex optimization problems. Therefore, we propose a two-stage quantum-behaved particle swarm optimization with a skipping search rule and a mean attractor with weight. The first stage uses quantum mechanism, and the second stage uses the particle swarm evolution method. It is shown that the improved QPSO has better performance, because of discarding the worst particles and enhancing the diversity of the population. The proposed algorithm (called ‘TSQPSO’) is tested on several benchmark functions and some real-world optimization problems and then compared with the PSO, SFLA, RQPSO and WQPSO and many other heuristic algorithms. The experiment results show that our algorithm has better performance than others.     

Cultural algorithm-based quantum-behaved particle swarm optimization

A hybrid quantum-behaved particle swarm optimization (QPSO) based on cultural algorithm (CA), which we call cultural QPSO, is proposed. Although QPSO is a promising algorithm for many optimization problems, it is apt to lose the diversity of the swarm in the later period of the search and prematurely converges to the local optimum. Inspired by the structure of human society, this paper uses the CA model to diversify the QPSO population and improve the QPSO's performance. In this model, the swarm is divided into two sub-swarms: the common particle and the elite particle sub-swarm. If a particle comes from a common sub-swarm, it will evolve according to the QPSO method, and during the evolvement, it will be affected not only by the other common particles but also by the elites. For the elites, the differential evolution (DE) method is adopted for evolvement. After each generation, the elites will be re-elected from the whole swarm according to fitness values. The simulation results on benchmark functions demonstrate that cultural QPSO outperforms the original QPSO for many problems.     

具有量子行为的协同粒子群优化算法

以分布估计算法(EDA)的角度,从理论上指出,具有量子行为的粒子群优化算法(QPSO)本质上是EDA算法与原始粒子群算法(SPSO)的综合.针对进化类算法普遍遇到的过早熟问题,将协同搜索策略引入传统的QPSO算法,提出了具有量子行为的协同粒子群优化算法(MQPSO).通过实验确定了最适合MQPSO算法的通信频率以及子种群大小.实验结果表明,该算法较QPSO及SPSO算法具有更快的收敛速度和更强的搜索精度,其优势在高维优化问题中更为明显.     

QPSO算法在训练支持向量机中的应用

训练支持向量机的本质问题就是求解二次规划问题，但对大规模的训练样本来说，求解二次规划问题困难很大。遗传算法和粒子群算法等智能搜索技术可以在较少的时间开销内给出问题的近似解。量子粒子群优化（QPSO）算法是在经典的微粒群算法的基础上所提出的一种有较高收敛性和稳定性的进化算法。将操作简单而收敛快速的QPSO算法运用于训练支持向量机，优化求解二次规划问题，为解决大规模的二次规划问题开辟了一条新的途径。     

量子粒子群优化算法在训练支持向量机中的应用

训练支持向量机的本质问题就是求解二次规划问题，但对大规模的训练样本来说，求解二次规划问题困难很大。遗传算法和粒子群算法等智能搜索技术可以在较少的时间开销内给出问题的近似解。量子粒子群优化（QPSO）算法是在经典的微粒群算法的基础上所提出的一种有较高收敛性和稳定性的进化算法。将操作简单而收敛快速的QPSO算法运用于训练支持向量机，优化求解二次规划问题．为解决大规模的二次规划问题开辟了一条新的途径。