量子遗传算法优化BP神经网络的网络流量预测

为了提高网络流量的预测精度,提出了一种改进的多种群量子遗传算法优化BP神经网络的网络流量预测模型。在确定了神经网络的结构后,采用多种群量子遗传算法对BP神经网络的初始权值和阈值进行优化。该模型利用K均值聚类算法将种群划分成若干子种群,多个子种群分别进化以保持种群的多样性。子种群间通过移民操作进行信息交互,减小了算法陷入局部最优的概率。同时采用一种自适应的量子旋转门调整策略加快算法的收敛速度。仿真结果表明,相较传统方法,该模型在网络流量预测方面具有收敛速度快、预测精度高的优点。     

基于AFSA—BP神经网络的基坑变形预测模型研究

为改善BP神经网络收敛速度慢、初始权阈值对计算结果影响较大且易陷入局部最优等缺陷,为提高模型的预测精度和稳定性,使用具有全局优化能力的鱼群算法优化BP神经网络的初始权阈值,依托工程实例,将BP模型及改进的模型用于基坑变形预测中,通过预测值与实测值进行对比,结果表明：AFSA-BP模型的预测精度要高于BP模型,且预测结果稳定、预测速度较快、预测误差可以满足工程的要求,对于下一步施工具有良好的指导作用,所以AFSA-BP模型是一种有效的基坑变形预测模型。     

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。     

基于自适应交叉与协方差学习的改进平衡优化器算法

针对平衡优化器算法存在的收敛精度低和易陷入局部停滞的问题,提出一种基于自适应交叉与协方差学习的改进平衡优化器算法。首先,构建外部存档来保留历史优势个体,增加种群多样性,以提高算法的全局寻优能力。其次,引入自适应交叉概率来平衡算法的全局探索能力和局部开发能力,以提高算法的寻优精度和鲁棒性。最后,采用协方差学习策略,充分利用浓度向量之间的关系来增强种群间信息交流,以避免算法陷入局部停滞。通过对CEC2019测试函数进行仿真实验,并将改进算法与反向传播（back propagation,BP）神经网络相结合用于预测新疆玛纳斯河的径流情况,实验结果表明,改进算法在收敛精度和鲁棒性方面有显著提升,且大幅提高了BP神经网络的径流预测效果。     

股票价格短期预测的LM遗传神经网络算法

针对传统神经网络在股票价格预测中易陷入局部最优和预测精度偏低的问题,提出了一种改进的神经网络算法进行求解.改进的算法基于LM算法建立了改进的三层BP神经网络对股票价格建立预测模型,避免算法陷入局部最优,并运用遗传算法优化神经网络的权值和阈值,提高神经网络对股票价格的预测精度.采用Matlab对上述算法模型进行仿真测试,通过预测4支股票价格的实验证明改进后的神经网络预测算法对股票价格的短期预测有较好的精度和稳定性.     

基于差分进化的BP神经网络预测混沌时间序列

针对BP神经网络预测模型收敛速度慢和容易陷入局部极小值的缺点,将差分进化算法和神经网络结合起来,提出了一种基于差分进化算法的BP神经网络预测混沌时间序列的方法,利用差分进化算法的全局寻优能力对BP神经网络的权值和阈值进行优化,然后训练BP神经网络预测模型求得最优解,将该预测方法用到3个典型的混沌时间序列进行算法的有效性验证,并与BP算法的预测精度进行了比较,仿真结果表明该方法对混沌时间序列预测具有更好的非线性拟合能力和更高的预测准确性。     

基于改进遗传算法优化BP神经网络的糖尿病并发症预测模型#br#

BP神经网络是在深度学习的研究中使用较为频繁的神经网络。本文提出一种改进遗传算法优化BP神经网络的算法（IGABP）,利用遗传算法的全局搜索能力优化BP神经网络的初始结构。由于遗传算法易陷入局部最优解,影响自身的寻优能力,故对遗传算法进行改进,最后构建糖尿病并发症预测模型进而预测糖尿病并发症的发生。本文改进遗传算法的选择算子并改进自适应遗传算法的交叉及变异概率公式。通过构建预测模型,将改进后的IGABP与BP、GABP、AGABP进行比较。仿真实验结果表明,使用IGABP进行预测的准确率要明显优于BP、GABP与AGABP,并且加快了网络的收敛速度。     

基于改进教学算法优化BP 神经网络的催化剂碳含量预测模型

为提高待生催化剂碳含量预测的准确性, 提出一种基于改进的教学算法(MTLBO) 来优化BP 神经网络的预测模型. 针对基础教学算法全局搜索能力差的问题, 在教师阶段前后增加了预习和复习过程, 并在学生阶段采用量子方式进行更新. 测试结果表明, 该改进能够提高教学算法全局探索和局部改良能力, 利用改进教学算法可优化BP神经网络的权值和阈值, 并进行待生催化剂碳含量预测. 仿真结果表明, 改进后预测模型的预测精度和泛化能力均有一定程度的提高.

     

蚁群算法在需水预测模型参数优化中的应用

为了解决投影寻踪（PP）需水预测模型的高维、非正态、非线性参数优化问题,提高需水预测的精度,尝试用基于网格划分的自适应连续域蚁群算法(ACA)在不同拟合和预测时长内对模型参数进行优化组合,并运用该模型进行年需水量预测。基于改进蚁群算法的投影寻踪需水预测模型参数优化进行了实例仿真。对基于改进蚁群算法的预测精度与基于人工免疫算法（AIA）和BP神经网络的模型(BPANN)参数优化结果分别进行了比较,实验结果表明：1）这三种算法的拟合精度相对误差绝对值分别小于2%、10%和10%;2）预测精度相对误差绝对值分别小于6%、11%和12%;3）改进蚁群算法能收敛到全局最优解,收敛速度较快。因此,改进蚁群算法的投影寻踪需水预测结果明显优于人工免疫算法和BP神经网络。该方法可推广到其他类似的高维非线性问题上。     

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。     

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。     

基于遗传算法的小波神经网络在股票预测中的应用

小波神经网络采用传统BP算法,存在收敛速度慢和易陷入局部极小值两个突出弱点。本文建立了基于遗传算法的小波神经网络股票预测模型GA-WNN。该模型结合了遗传算法的全局优化搜索能力以及小波神经网络良好的时频局部特性。运用MATLAB对拟合和预测过程进行仿真。结果表明,该模型能有效地提高预测精度,避免了BP算法固有缺陷。     

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。     

粒子群算法优化BP神经网络的粉尘浓度预测

对综采工作面粉尘浓度预测的方法是建立BP神经网络预测模型.为了提高算法的拟合能力及预测的准确度,使用粒子群算法对目标函数进行改进,即将粒子群算法寻到的最优权值和阈值应用于神经网络预测模型求综采工作面粉尘浓度.比较分析新的预测模型与常用的灰色模型以及标准的BP神经网络算法,结果表明粒子群优化的神经网络算法的拟合能力和预测的准确率显著提高.     

自适应差分进化算法优化BP神经网络的时间序列预测

针对BP神经网络学习算法随机初始化连接权值和阈值易使模型陷入局部极小点的缺点,设计了一种自适应差分进化算法优化BP神经网络的混合算法。该混合算法中,差分进化算法采用自适应变异和交叉因子优化BP神经网络的初始权值和阈值,再用预寻优得到的初始权值和阈值训练BP神经网络得到最优的权值和阈值。首先对改进的自适应差分进化算法运用测试函数进行性能测试,然后用一个经典时间序列问题对提出的混合算法进行了检验,并与一般的神经网络、ARIMA预测模型及其它混合预测模型进行了对比,实验结果表明,本文提出的混合算法有效并且明显提高了预测精度。     

基于模拟退火优化BP神经网络的变形监测数据预测方法

针对BP神经网络模型用于变形监测数据处理时容易陷入局部极小值并且收敛速度慢的问题，提出一种基于模拟退火(Simulated Annealing,SA)算法优化BP神经网络的建筑物变形预测方法，利用SA的全局寻优能力对BP神经网络的模型参数进行优化，使参数迭代过程始终保持较高的“温度”和“能量”，从而确保BP神经网络能够得到全局最优解的同时具备较高的预测精度和收敛速度。采用实际算例对所提SA-BP方法在低信噪比和小样本条件下的预测精度进行验证，结果表明所提方法相对于传统BP神经网络法和小波方法能够获得更高的预测精度，并且在小样本和低信噪比条件下优势更加明显。     

基于改进GRU神经网络的综合能源管控系统优化研究

针对目前综合能源管控系统能耗预测的精度需求,提出一种基于改进GRU神经网络的预测优化方案。首先,考虑到GRU神经网络预测模型中超参数选取的速率直接影响着预测模型的精确度,提出采用鲸鱼优化算法对超参数进行寻优;然后将WOA算法寻优得到的超参数对GRU神经网络进行设置,再利用超参数优化后的GRU神经网络对综合能源负荷进行预测;最后将本算法和传统GRU预测模型及BP神经网络预测模型通过评价指标MAE、MPAE、RMSE进行对比。结果表明,本优化方案平均绝对误差百分比为1.79%,而传统GRU预测模型和BP预测模型的平均绝对误差百分比为3.06%、4.45%。由此得出,采用鲸鱼优化算法对GRU神经网络的改进,使得GRU预测模型更加精准和稳定。     

基于IIGA-BP神经网络的钢材销售预测模型

为克服传统BP神经网络(BP Neural Network,BPNN)在销售预测中,预测精度低、收敛速度慢的缺点.提出了一种基于改进免疫遗传算法(Improved Immune Genetic Algorithm,IIGA)优化BP神经网络的销售预测模型.改进的免疫遗传算法提出了新的种群初始化方式、抗体浓度的调节机制及自适应交叉算子、变异算子的设计方法,有效的提高了IIGA的收敛能力和寻优能力.并用IIGA优化BPNN的初始权值和阈值,改善网络参数的随机性导致BPNN输出不稳定和易陷入局部极值的缺点.以某钢铁企业的历史销售数据为例进行实证研究,利用Matlab分别构建BP、IGA-BP和IIGA-BP神经网络预测模型进行仿真对比分析.实验证明,IIGA-BP神经网络预测模型较BP神经网络预测模型预测精度提高了23.82％,较IGA-BP神经网络预测模型预测精度提高了22.02％.IIGA-BP神经网络模型对钢材销售预测的泛化性能更好,预测效果更稳定误差基本保持在[0.25,0.25]之间,预测精度大幅度提高,为企业销售预测提供了一种较为有效的方法.