基于ACA-NN的合肥公路客运预测与分析

针对BP神经网络存在无法有效收敛最优值问题,构建基于蚁群算法的优化神经网络的公路客运预测模型。该模型采用常见的BP神经网络结构,算法采用的是一种新型的进化算法——蚁群算法。然后以合肥市2012年公路客运预测为实例,尝试了蚁群优化神经网络ACONN在客运量预测中的应用,结果表明蚁群优化神经网络模型的预测精度比其他模型高。     

投影寻踪和神经网络算法的石油价格预测

研究石油价格优化预测问题,石油价格具有严重的非线性和因子难以精确确定,传统预测算法只能对石油价格线性关系进行,导致预测精度低。为提高石油价格预测精度,提出一种基于投影寻踪和神经网络算法的石油价格预测模型。首先根据相关研究选择石油价格影响因子,然后利用投影寻踪算法对影响因子进行筛选,将其得到因子作为BP神经网络输入变量节点,建立石油价格预测模型。仿真结果证明,改进算法能够很好地反映石油价格波动趋势,提高了石油价格的预测精度,为石油价格预测提供了一种高精度预测工具。     

基于蚁群粒子群混合算法与LS-SVM瓦斯涌出量预测

为有效预防瓦斯灾害,以预测矿井瓦斯涌出量为研究目的,提出经改进的蚁群（ACO）粒子群（PSO）混合算法优化的最小二乘支持向量机（LS-SVM）,并用其预测非线性动态瓦斯涌出量。算法通过对LS-SVM的正则化参数C和高斯核参数σ进行寻优,建立了基于蚁群粒子群混合算法优化的瓦斯涌出量预测模型,并根据赵各庄矿矿井监测到的各项历史数据进行实例分析。实验结果表明：该预测模型预测的最大相对误差为1.05%,最小相对误差为0.28%,平均相对误差为0.75%。较其他预测模型拥有更强的泛化能力和更高的预测精度。     

基于IA-BP算法的GPS高程拟合误差补偿方法

BP算法是校正GPS高程拟合误差的常用手段,但传统BP算法易陷入局部极小,使测量结果的精度稳定性差。提出一种基于免疫算法(IA)和BP神经网络结合的优化算法,利用IA进行全局搜索,然后,调用BP算法进行局部搜索。实验结果表明:该优化算法在训练多层前向神经网络时可有效地避免传统BP算法易陷入局部极小,并可保持其高预测精度,收敛速度快,具有寻优的全局性和精确性,进而提高了测量精度,且神经网络的GPS高程拟合误差与标准值间的相对误差均方差小于0.042 2,相对误差均值小于0.047 2,相对误差最大值小于0.050 3。     

基于改进的粒子群算法优化反向传播神经网络的热舒适度预测模型

针对热舒适度预测是一个复杂的非线性过程,不便于空调的实时控制应用的问题,提出一种基于改进的粒子群优化(PSO)算法优化反向传播(BP)神经网络的热舒适度预测模型。这一预测模型通过采用PSO算法优化BP神经网络的初始权值和阈值,改善了传统BP算法收敛速度慢及对网络初始值敏感的问题。同时,针对标准PSO算法易出现早熟收敛、局部寻优能力弱等缺点,提出了相应改进策略,进一步提高了PSO优化BP神经网络的能力。实验结果表明:与传统BP模型和标准PSO-BP模型相比,基于改进的PSO-BP算法的热舒适度预测模型具有更高的预测精度和更快的收敛速度。     

基于改进的粒子群算法优化反向传播神经网络的热舒适度预测模型

针对热舒适度预测是一个复杂的非线性过程,不便于空调的实时控制应用的问题,提出一种基于改进的粒子群优化(PSO)算法优化反向传播(BP)神经网络的热舒适度预测模型。这一预测模型通过采用PSO算法优化BP神经网络的初始权值和阈值,改善了传统BP算法收敛速度慢及对网络初始值敏感的问题。同时,针对标准PSO算法易出现早熟收敛、局部寻优能力弱等缺点,提出了相应改进策略,进一步提高了PSO优化BP神经网络的能力。实验结果表明：与传统BP模型和标准PSO-BP模型相比,基于改进的PSO-BP算法的热舒适度预测模型具有更高的预测精度和更快的收敛速度。     

基于改进BP神经网络的中央空调冷负荷预测研究

针对中央空调系统冷负荷预测中BP神经网络预测收敛慢,易陷入局部最优,精度相对低的缺点,采用了收敛速度快,全部搜索能力强的粒子群优化算法进行改进,同时对BP结构中的输入参数,添加控制误差反馈参数,形成了基于粒子群与控制误差回馈的BP神经网络预测技术;其预测精度较BP神经网络和粒子群BP神经网络分别提高5.94%和0.82%。     

PSO优化BP神经网络的混沌时间序列预测

针对于BP神经网络预测模型,收敛速度慢,精度较低,容易陷入局部极小值等缺点,提出了一种改进粒子群优化BP神经网络预测模型的算法。在该算法中,粒子群采用改进自适应惯性权重和改进自适应加速因子优化BP神经网络预测模型的初始权值和阈值,然后训练BP神经网络预测模型并预测。将该算法应用到几个典型的混沌时间序列预测。实验结果表明,该算法明显提高BP神经网络预测模型的收敛速度和预测模型的精度,减少陷入局部极小的可能。     

遗传算法优化BP神经网络的混沌时间序列预测

为提高BP神经网络预测模型对混沌时间序列的预测精度,将改进的遗传算法和BP神经网络结合,提出了一种基于改进遗传算法优化BP神经网络的混沌时间序列预测方法。利用改进的遗传算法优化BP神经网络的权值和阈值,训练BP神经网络预测模型求得最优解。将该模型应用到几个典型的非线性系统进行预测仿真,验证了该算法的有效性,与BP神经网络预测模型的预测结果进行了比较,仿真结果表明该方法对混沌时间序列具有更好的非线性拟合能力和更高的预测精度。     

基于遗传算法的BP神经网络在电力负载预测中的应用

为有效利用电力资源,改进电力供需结构,建立面向电力负载的短期预测模型。利用层次分析法,对负载预测的影响因素做权重筛选,优化输入参数。通过主成分分析法对样本数据进行线性组合,压缩数据,提高网络泛化能力。引入L-M算法完善反向传播(BP)算法,加快收敛速度。同时结合改进的遗传算法,自适应调整交叉变异概率,对BP神经网络的初始权重进行动态赋值。在真实数据集上的实验结果表明,相较于传统神经网络模型,提出的模型能够加快神经网络的收敛速度,同时提高预测精度,电力负载的实际值与预测值的相对误差小于3%。     

人工免疫算法在Flow-shop问题中的应用

文章针对Flow-shop问题提出了一种模拟生物免疫系统的人工免疫算法(AIA),并与模拟生物进化过程的遗传算法(GA)进行了比较,给出了AIA的具体步骤。仿真实验表明:AIA求解Flow-shop是有效的。     

环境空气SO2和NO2浓度的GA_ANN预测模型研究

空气中污染物浓度的预测是一个复杂的非线性问题。国内外的研究表明神经网络能够比回归模型更好地预报空气污染物。设计并实现了将用于选择最优预报因子的遗传算法和神经网络算法相结合的GA_ANN空气质量预测模型,利用某市2003~2006年的数据建立神经网络空气质量预测模型,对该市2007年全年SO₂和NO₂的预测实验表明,GA_ANN模型比单纯的神经网络模型具有更高的预报精度。     

一种改进的人工免疫算法

简要介绍了遗传算法、人工免疫算法的工作原理。为了克服传统人工免疫算法存在的不足,该文提出一种改进的人工免疫算法,并利用Rosenbrock函数对3种算法进行了试验比较。实验结果表明,该文提出的改进的人工免疫算法较遗传算法、传统的人工免疫算法更为有效。     

改进人工免疫算法的分析研究

详细分析了人工免疫算法(AIA)基于信息熵计算抗体浓度存在的缺点,提出了三种新的浓度计算方法。分析了基于新的浓度计算方法的各种改进的人工免疫算法的收敛性。对两种变形大海捞针类函数的优化结果表明,改进的人工免疫算法较传统的人工免疫算法有较大的优越性。     

基于自适应高斯变异的人工鱼群算法

针对基本人工鱼群算法存在的不足,根据高斯变异和历史最优鱼个体状态,提出自适应高斯变异人工鱼群算法。该算法能克服人工鱼漫无目的随机游动从而求得全局极值,提高求解质量和运行效率。典型测试函数测试、应用实例验证和理论分析表明,该算法是可行、有效的。     

基于人工免疫算法和蚁群算法求解旅行商问题

人工免疫算法具有快速随机的全局搜索能力,但对于系统中的反馈信息利用不足,往往做大量无为的冗余迭代,求解效率低。蚁群算法具有分布式并行全局搜索能力,通过信息素的积累和更新收敛于最优路径上,但初期信息素匮乏,求解速度慢。该文提出一种基于人工免疫算法和蚁群算法的混合算法,采用人工免疫算法生成信息素分布,利用蚁群算法求优化解。将该算法用于求解旅行商问题进行计算机仿真,结果表明,该算法是一种收敛速度和寻优能力都比较好的优化方法。     

基于双自适应AIS-PSO的瓦斯浓度软测量模型

为解决煤矿单传感器瓦斯浓度预测精度不足的问题,将自适应人工免疫系统(AIS)与自适应粒子群(PSO)相结合,建立多参数并行双自适应AIS-PSO算法的瓦斯浓度软测量模型。通过分析煤矿井下环境参数对瓦斯浓度监测的影响,将矿井下温度及风速等环境参数作为软测量模型输入,上隅角瓦斯浓度作为模型输出。利用并行双自适应AIS-PSO算法对最小二乘支持向量机(LS-SVM)的核参数σ和正则化参数γ进行寻优,并与PSO-LSSVM、LS-SVM结果进行对比。结果表明:PSO-LSSVM平均相对误差为5.5083%,LS-SVM平均相对误差为8.6883%,并行双自适应AIS-PSO软测量模型的平均相对误差为2.0165%,最小相对误差为1.194%,与另两种方法相比具有较高的预测精度和泛化能力。     

基于健康度分析与和声蚁群算法-支持向量机的故障预测模型

针对现有的故障预测技术无法从整体上反映系统性能下降趋势等问题,提出一种基于健康度分析的故障预测方法.首先,在支持向量机回归算法基础上构造多输出支持向量机,以实现健康度的多步预测,并提出一种和声蚁群算法优化支持向量机参数,解决了蚁群算法易陷入局部最优的问题; 然后, 根据最优参数建立拟合监测数据和未来健康度下降过程非线性映射关系的和声蚁群算法-支持向量机(HSACA-SVM)故障预测模型; 最后,通过某装备电源系统监测数据验证了该模型的有效性.实例验证表明该模型能够较好地实现对健康度下降趋势的预测,预测准确率达到97%,进而实现故障预测.     

改进鲸鱼优化支持向量机的交通流量模糊粒化预测

针对支持向量机（SVM）在交通流量预测中存在波动性且预测精度低的问题,提出了采用模糊信息粒化（FIG）和改进鲸鱼优化算法（IWOA）的SVM模型来预测交通流量的变化趋势和动态区间。首先,对数据处理采用FIG方法进行处理,从而得到交通流量变化区间的上界（Up）、下界（Low）和趋势值（R）;其次,在鲸鱼优化算法（WOA）的种群初始化中采用动态对立学习来增加种群多样性,并引入了非线性收敛因子和自适应权重来增强算法的全局搜索及局部寻优能力,然后建立了IWOA模型,并分析了IWOA的复杂度;最后,以预测交通流量的均方误差（MSE）为目标函数,在IWOA迭代过程中不断优化SVM的超参数,建立了基于FIG-IWOA-SVM的交通流量区间预测模型。在国内和国外交通流量数据集上进行测试的结果表明,在国外交通流量预测上,与基于遗传算法优化的支持向量机（GA-SVM）、基于粒子群优化算法优化的支持向量机（PSO-SVM）和基于鲸鱼优化算法的支持向量机（WOA-SVM）相比,IWOA-SVM模型的平均绝对误差（MAE）分别降低了89.5%、81.5%和1.5%;而FIG-IWOA-SVM模型在交通流量动态区间和趋势预测上与FIG-GA-SVM、FIG-PSO-SVM和FIG-WOA-SVM等模型相比预测精度更高且预测范围更平稳。实验结果表明,在不增加算法复杂度的前提下,FIG-IWOA-SVM模型能够合理地预测交通流量的变化趋势和变化区间,为后续的交通规划和流量控制提供依据。     

旅行商问题的人工免疫算法

1 引言旅行商问题(TSP)是一个典型的有序组合优化问题,可以看成是许多领域内复杂工程优化问题的抽象形式。研究TSP问题的求解方法对解决复杂工程优化问题具有重要的参考价值。对于TSP问题,目前还没有完全有效的求解方法,但是,多年来人们一直在不停地探索。近年来,模拟自然界生物进化过程的求解TSP问题的方法不断见诸文献,但以基于