基于GRNN的货运量预测

采用广义回归神经网络(GRNN)对影响货运量的因素进行分析和处理,对网络进行训练和拟合,用实际数据进行模型检验。在计算过程中,光滑因子Spread对预测效果起着重要作用,Spread值越小,网络对样本的逼近性也就越强;Spread值越大,网络对样本数据的逼近过程也就越平滑,但误差也相应增大。为更好的选取最佳Spread值,文中采用GRNN参数来优化参数,以期达到更高的预测精度。     

基于FOA优化GRNN的船舶交通流预测模型

针对船舶交通流预测中存在复杂性、非线性、受限因素多等特点,运用果蝇优化算法,建立了优化的广义回归神经网络船舶交通流预测模型。通过利用果蝇优化算法的全局寻优特性对广义回归神经网络进行参数优化,从而实现对船舶交通流的预测。以东海大桥的船舶流量观测数据为实例对象进行分析,通过MATLAB进行仿真预测,实验结果表明:FOA-GRNN模型相比于传统的GRNN模型和BPNN模型具有更高的预测精度和泛化能力,有效地解决了预测过程中数据样本少、非线性拟合能力差等问题,对水路的规划、通航管理等方面具有一定的应用价值。     

LVFOA优化的GRNN在财务预警中的应用

针对企业财务数据复杂、非线性等特点,提出了一种基于混沌变步长果蝇算法（LVFOA）优化广义回归神经网络（GRNN）的财务预警模型.首先引入Logistic混沌映射修正FOA的初始值,然后在最优初始值的基础上修正FOA步长为动态步长,寻找最优Spread值,最后对预测数据进行分析,选取有代表性的指标.改进后的果蝇算法显示了更好的全局优化和快速收敛能力,提高了GRNN的预测精度.仿真结果表明,相对于GRNN模型和FOA-GRNN模型, LVFOA-GRNN模型提高了预警准确率,与财务数据的拟合度更高.     

遗传算法优化径向基神经网络的尾矿库安全预测

在研究径向基(RBF)神经网络的基础上,利用遗传算法对其进行优化,并结合尾矿库系统安全状况与各影响因素之间的非线性关系,将优化的RBF神经网络应用于尾矿库安全预测中。为证明该优化网络的优越性,将优化后的RBF网络和传统RBF网络进行仿真实验,结果表明优化后的RBF网络较传统RBF网络在尾矿库安全预测的精度和速度效果更好。     

参数修正与收敛策略融合的果蝇优化算法

传统的果蝇优化算法（Fruit Fly Optimization Algorithm,FOA）容易陷入局部最优,而且传统果蝇个体味道浓度判定值S是非负数,不能解决最优解是负数的优化问题。针对以上问题,多重改进策略被应用到果蝇优化算法中。为了解决味道浓度判定值不能是负数的问题,对味道浓度公式进行了修正;为了避免高维函数维间互扰问题,迭代优化的过程中对果蝇个体在最优值附近寻优采取逐维扰动的方法;为了避免陷入局部最优,迭代过程中加入了收敛判断因子,如果多次迭代没有改善,说明陷入了局部最优。此时,一部分果蝇个体继续在最优解附近寻优,另外一部分个体在解空间混沌扰动寻找全局最优解。收敛判断因子阈值的取值会影响优化的速度和精度,通过实验确定了收敛判断阈值。通过对测试函数结果验证表明,改进的果蝇算法比FOA算法具有更高的搜索精度和更快的收敛速度。     

果蝇优化算法的进展研究分析

果蝇优化算法作为一种新兴的群智能优化算法,具有结构简单、调节参数少、可操作性强和全局寻优快等特点,使其相较于其他智能算法更容易理解和实现,因此自其提出之日起便受到广泛的关注与研究。综述了果蝇优化算法的设计思想,围绕现有的改进方法和相关应用进行重点分析,分析了果蝇优化算法的研究进展,包括候选解产生机制、多种群协同搜索、飞行策略等方面的改进以及在复杂函数优化、参数优化、调度及物流问题等方面的应用,最后提出果蝇优化算法未来值得关注的研究方向和内容。     

基于FP-Growth算法和GRNN的电力知识文本挖掘

为了提高电力知识文本挖掘的性能,采用FP-Growth算法对影响电力需求的强关联因素进行挖掘,运用广义回归神经网络(General Regression Neural Network,GRNN)算法实现电力需求预测.首先,对待挖掘的电力文本进行指标提取并编码,生成电力文本初始FP-Tree;接着采用FP-Growth算...     

改进果蝇算法优化CIAO-LSTM网络的时序预测模型

为了提高时间序列的预测精度,提出了一种基于改进果蝇算法优化直连长短期记忆网络的时间序列预测方法。将长短期记忆网络的多个时间步输入与输出进行全连接(CIAO-LSTM,直连长短期记忆网络),增强了对目标系统中线性成分的表征。提出了一种改进的果蝇优化算法(IFOA),通过动态改变果蝇的搜索半径和对适应度函数增加逃脱系数,提高了果蝇优化算法的全局寻优能力和局部收敛速度。使用IFOA优化CIAO-LSTM网络参数并构建预测模型(IFOA_CIAO-LSTM)。实验结果表明,优化后的时序预测方法相比传统的长短期记忆网络泛化能力更强、预测精度更高,对于波动较大的数据可以实现更好的拟合。     

改进果蝇算法优化回声状态网络的旅游需求预测研究

首先对标准果蝇优化算法FOA进行改进,自适应调整果蝇种群数量和搜索步长,同时优化初始迭代位置,改善算法局部搜索能力和搜索效率。接着将改进的FOA算法AFOA与回声状态网络ESN相结合,构建一个两阶段组合预测模型(AFOA-ESN),通过AFOA优化ESN获取其关键参数,将优化后的参数输入ESN,形成最终的组合预测模型。最后利用该模型进行旅游需求预测。实验结果表明,AFOA-ESN模型较自回归移动平均模型、支持向量机模型、BP神经网络、标准ESN网络以及其他预测模型具有更高的预测精度。     

果蝇优化算法的分析

本文针对果蝇优化算法FOA由于参数选取不合理而导致运行时间长或陷入局部最值的问题,研究了果蝇优化算法主要参数对算法运行时间、优化性能和收敛速度的影响.以FOA全局寻优6个标准测试函数最小值为例,在不同的参数配置下,进行仿真实验,对比分析研究得出果蝇优化算法各主要参数对算法性能影响的定性结论,并给出了各参数恰当的合理取值区间,以便在算法性能和运行时间之间找到最好的平衡.试验结果表明,参数的合理设置,不但缩短了算法的运行时间,而且使算法具有较快的收敛速度和较高的收敛精度.