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.     

多元宇宙优化算法优化WLSSVM的网络流量预测

高精度网络流量预测可以帮助管理人员了解网络流量变化态势,提高网络系统的稳定性,为了降低网络流量预测的误差,提出了基于多元宇宙优化算法优化加权最小二乘支持向量机的网络流量预测模型。首先采用网络流量历史数据,将其作为加权最小二乘支持向量机的输入向量,然后利用多元宇宙优化算法对加权最小二乘支持向量机参数寻优,从而得到最优的网络流量预测模型,最后采用具体网络流量预测应用实例对模型性能进行测试与分析,结果表明本模型可以准确描述网络流量的变化规律,预测误差很小,完全能够满足网络管理实际要求,相对于其他预测模型,本模型的网络流量预测精度得到了有效提高。     

改进CS优化支持向量回归的汽车热舒适性预测

热舒适性指标PMV参数间互相迭代、计算复杂、不易实时预测,而采用支持向量回归（SVR）进行数据拟合时,预测效果易受SVR参数的影响。针对以上问题,提出一种改进布谷鸟算法（CS）优化SVR参数的PMV预测模型。改进CS算法采用自适应步长对Lévy全局随机游动的步长进行调节,并用非洲野狗算法（DOA）的生存行为替换CS算法偏好局部随机游动行为,以提高CS算法寻优能力。实验结果表明,CS优化SVR模型预测值的RMSE为0.00742,比DOA优化SVR模型的RMSE低0.00481;使用自适应步长或DOA算法改进CS优化SVR模型比CS优化SVR模型的RMSE分别降低了32.34%和40.83%;融合两种策略改进CS优化SVR模型预测值的RMSE整体降低了60.52%。融合两种策略改进CS算法优化SVR预测模型具有更高的PMV预测精度。     

变异粒子群优化最小二乘支持向量机的网络流量预测

针对最小二乘支持向量机参数优化问题,提出一种变异粒子群算法优化最小二乘支持向量的网络流量预测模型(MPSOLSSVM)。首先对网络流量序列进行相空间重构,构建最小二乘支持向量的学习样本;然后采用变异粒子群算法选择最小二乘支持向量机参数,从而建立最优的网络流量预测模型,最后与其他模型进行对比实验。对比结果表明,相对于对比模型,MPSO-LSSVM提高了网络流量的预测精度,预测结果可以为网络管理员提供有价值参考信息。     

CPSO算法优化神经网络重构的网络流量预测

为了提高网络流量的预测精度,提出了一种混沌粒子群算法优化相空间重构和神经网络的网络流量预测模型(CPSO-BPNN)。利用混沌粒子群算法对BP神经网络初始参数、延迟时间、嵌入维数进行优化,根据延迟时间、嵌入维数对网络流量数据进行重构,BP神经网络根据初始参数进行训练建立网络流量预测模型,通过仿真实验对模型性能进行测试。结果表明,CPSO-BPNN可以准确描述网络流量的复杂变化趋势,提高了网络流量的预测精度。     

铁水硅含量的混沌粒子群支持向量机预报方法

提出一种基于混沌粒子群优化(CPSO)的支持向量回归机(SVR)参数优化算法, 并使用该算法建立高炉铁水硅含量预测模型(CPSO–SVR), 对某大型钢铁厂高炉铁水硅含量的实际采集数据进行预测, 结果表明基于混沌粒子群优化算法寻优的参数建立的铁水硅含量支持向量回归预测模型具有良好的预测效果. 与最小二乘支持向量回归机(LS–SVR)、使用粒子群优化算法训练的神经网络(PSO–NN)进行比较, CPSO–SVR模型对铁水硅含量进行预测时预测绝对误差小于0.03的样本数占总测试样本数的百分比达到90%以上, 预测效果明显优于PSO–NN, 且比LS–SVR稳定性更强, 可用于高炉铁水硅含量的实际预测, 表明混沌粒子群优化算法是选取SVR参数的有效方法.     

基于磷虾群算法优化的SVR-ARMA组合模型的ORP预测

为了实现生物氧化提金预处理过程中关键参数的准确预测,提出一种基于磷虾算法优化的SVR-ARMA组合预测模型。该改进的组合预测模型把具有较好连续空间非线性寻优性能的磷虾群算法用于SVR模型的参数优化过程,对原始数据进行预测,然后用ARMA模型对SVR模型产生的线性残差进行预测,将两部分的预测值几何相加得到最终预测值。仿真结果表明,与基本SVR模型、KH-SVR模型和SVR-ARMA组合预测模型相比,该改进模型具有更高的预测精度,能够满足对氧化还原电位(ORP)的精准预测。     

布谷鸟优化混合核相关向量机的网络流量预测

为了提高网络流量的预测精度,提出一种布谷鸟算法优化混合核相关向量机的网络流量预测模型(CS-RVM)。首先采用多项式和高斯核函数构成混合核函数代替相关向量机的单一核函数,然后引入布谷鸟算法对混合核参数进行寻优,最后建立网络流量预测模型。仿真结果表明,CS-RVM具有良好的建模效果,可提高网络流量的预测精度。     

基于ADE-Stacking的心力衰竭非计划性再入院风险预测模型

随着人口老龄化加剧,心力衰竭发病率升高,心衰患者的非计划性再入院问题导致患者生存质量降低、医疗成本升高的情况日益严重,因此成为了一个亟待解决的问题。本文针对再入院风险预测问题,提出一种基于ADE-Stacking的心衰患者非计划性再入院风险预测模型,这一模型主要由集成学习算法模型构建与参数优化2部分构成,集成学习算法可以结合多个弱分类器的优势,使模型具有更好的泛化性和准确率,参数优化部分采用自适应收缩因子F改进的差分进化算法寻优,以提高参数寻优性能。使用心力衰竭再入院病人数据集对模型进行训练与测试,结果显示本文所提出的模型优于风险预测模型常用的随机森林、XGBoost、支持向量机等其他机器学习算法。     

基于FCM-LSSVM网络流量预测模型

为了提高网络流量的预测准确性,针对训练样本选取问题,提出一种训练样本选择的最小二乘支持向量机网络流量预测模型（FCM-LSSVM）。采用模糊均值聚类算法对网络充量数据进行了聚类分析,消除其中的孤立样本点,构建最小二乘支持向量机的训练集,然后将训练集输入到最小二乘支持向量机进行了学习,并采用人工蜂群算法对模型参数进行了优化,最后建立建立网络流量预测模型,并采用仿真实验对模型性能测试。仿真结果表明,相对于其他网络流量预测模型,FCM-LSSVM不仅提高了网络流量的预测精度,而且建模速度得以提高,获得了更加理想的网强流量预测结果。     

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。      

改进型支持向量回归预测模型的轧机轧制力预测

对轧机轧制力预测模型进行研究.使用人工鱼群优化算法对支持向量回归(SVR)参数选取进行最优的参数组合,将粒子群优化算法引入到常规人工鱼群算法中,并对其进行改进,提高了人工鱼群算法的性能.研究结果表明:Ekelund模型的轧制力计算结果误差较大,超过了10％,常规SVR预测模型的轧制力预测精度低于10％,而本文研究的改进SVR预测模型得到的轧制力误差低于5％,说明通过人工鱼群算法优化SVR算法模型的参数能够提高预测模型的预测精度,并且预测消耗时间在3种预测模型中是最短的.     

一种新的基于GCS．SVM的网络流量预测模型

针对网络流量预测模型存在预测稳定性不好、精度较低等问题,提出一种改进布谷鸟搜索算法优化支持向量机的网络流量预测模型（GCS．SVM）。将网络流量时间序列进行重构,采用改进布谷鸟搜索算法优化支持向量机参数,使用这组最优参数建立网络流量预测模型。仿真结果表明,GCS—SVM模型对网络流量预测是有效可行的。     

变步长自适应的改进人工鱼群算法

针对人工鱼群算法在函数优化中存在陷入局部最优、后期收敛速度慢及结果精度不高等问题,通过改进鱼群算法中觅食行为及自适应调整人工鱼步长,提出了一种变步长自适应的改进人工鱼群算法。证明了该算法的全局收敛性,从而增加了其理论基础。最后,10个标准函数测试结果表明,改进后的人工鱼群算法在跳出局部最优、收敛速度、精度和稳定性方面都优于原鱼群算法和萤火虫算法,在结果精度和稳定性方面优于文献[9,23,24]的方法。     

反向自适应高斯变异的人工鱼群算法

针对人工鱼群算法存在易陷入局部最优、鲁棒性差以及寻优精度低的问题,提出了反向自适应高斯变异的人工鱼群算法。改进后的算法引入了反向解,根据反向解调整人工鱼的移动方向以及位置,从而提供更多的机会发掘潜在的较优空间,使人工鱼群快速跳出局部最优,从全局角度提升算法的搜索性能。同时提出了一种非线性自适应视野步长策略,更好地平衡了全局搜索与局部搜索之间的关系。为了增加鱼群的多样性,降低人工鱼陷入早熟的可能性,提出了一种最优解引导的高斯变异机制。仿真实验结果表明,该算法能有效地提高人工鱼群的寻优精度、寻优质量及鲁棒性,并且避免了人工鱼群过早收敛。     

基于自适应动态邻域结构的人工鱼群算法

针对人工鱼群算法易陷入局部最优且寻优精度不高的问题,提出了一种基于自适应动态邻域结构的人工鱼群算法。算法中,每条人工鱼先根据鱼群中其他人工鱼与自身的距离及当前迭代次数自适应调整动态邻域结构,再根据该动态邻域结构自适应计算视野和步长;还结合粒子群算法信息策略和公告板对人工鱼的行为进行了改进。仿真实验结果表明,该算法克服局部极值实现全局寻优的能力更强,优化精度更高。     

基于群智能算法的SVR参数优化研究进展

支持向量回归机（Support Vector Regression,SVR）是建立在统计学习理论上的一种机器学习方法,主要用来处理回归问题。选取到合适的参数是实现支持向量回归机算法优势的前提,但在实践中仍然存在模型参数选择困难的问题。群智能算法主要是模仿自然界生物种群社会行为规律的元启发式算法,具有简单性、自适应性、灵活性等特点,现已成为非线性参数寻优方法的研究热点。系统综述了利用群智能算法优化支持向量回归机参数的研究进展。在介绍支持向量回归机基础理论之后,系统分析了常见群智能算法及其改进方法实现支持向量回归机参数优化选择的优点与不足,并对未来的研究方向及挑战做出展望。     

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CEPSO-LSSVM的煤炭消费量预测模型

针对煤炭消费量的时变性、非平稳性特点,为了提高煤炭消费量预测精度,提出了一种鲶鱼粒子群算法优化最小二乘支持向量机（LSSVM）的煤炭消费量预测模型（CEPSO-LSSVM）。将LSSVM参数编码成粒子位置串,并根据煤炭消费量训练集的交叉验证误差最小作为参数优化目标,通过粒子间信息交流找到最优LSSVM参数,并引入“鲶鱼效应”,保持粒子群的多样性,克服传统粒子群算法的局部最优,根据最优参数建立煤炭消费量预测模型,并采用实际煤炭消费量数据进行仿真测试。结果表明,相对于其他预测模型,CEPSO-LSSVM可以获得更优的LSSVM参数,提高了煤炭消费量预测精度,更加适用于复杂非线性的煤炭消费量预测。     

基于改进随机移动算子的人工鱼群算法

人工鱼群基本算法在求解多峰函数最优值时,存在计算精度有限,易陷入局部最优,鲁棒性较差以及收敛速率较慢和搜索效率较低的缺点,而随机移动算子的随机性是造成这些缺点的重要因素。通过引入粒子群算法思想和自适应扰动的思想对随机移动算子进行改进,进而提出了基于粒子群算法的人工鱼群算法（PSO-AFSA）和包含自适应扰动项的改进人工鱼群算法（ADI-AFSA）,并证明了两种改进算法的收敛性。利用公认测试函数集进行仿真实验,结果表明两种改进算法与人工鱼群基本算法及其传统改进算法相比,提高了计算精度、收敛速率、搜索效率并且具有更好的鲁棒性。