群智能優(yōu)化算法PSO及其在幾類模型優(yōu)化中的應用.pdf

1、優(yōu)化技術(shù)是一種以數(shù)學為基礎(chǔ)，用于求解各種問題優(yōu)化解的應用技術(shù)。其中有一個重要的分支-智能優(yōu)化算法，智能優(yōu)化算法是通過模擬或解釋某些自然現(xiàn)象或過程發(fā)展而來的，與普通的搜索算法一樣都是一種迭代算法，具有全局的，并行高效的優(yōu)化性能，魯棒性，通用性強等優(yōu)點。 不確定性問題廣泛存在于實際情況中，一直是研究的難點問題。針對傳統(tǒng)的不確定性問題，人們提出了很多的方法來處理，對于不確定性問題的研究與預測又構(gòu)成了一個重要的科學分支。這些問題樣本數(shù)目

2、通常是非常有限的，甚至是很少的，且大部分數(shù)據(jù)序列沒有包含明確的數(shù)量方面的關(guān)系特征。這樣就使得這些問題的處理比較困難，很多方法都取得了較好的的效果，但是這些方法還有可以改進的地方。 將優(yōu)化算法引入，用優(yōu)化算法對模型進行優(yōu)化，以提高模型精度。 本文的主要研究成果及貢獻如下： 1)將智能優(yōu)化算法PSO應用到灰色預測模型GM(1，1)和改進的新灰色預測模型FGM(1，1)中。首先，因為模型的預測能力受到灰色模型的均值序列

3、的影響，改變均值序列參數(shù)α將影響到模型的預測能力，而過去對于參數(shù)α的選擇，一般采用默認的參數(shù)或根據(jù)實際數(shù)據(jù)和模型的預測效果來設置，具有很大的隨意性，并沒有一個確定的規(guī)則；再次，灰色模型GM(1，1)最少需要四個數(shù)據(jù)而改進的新灰色模型FGM(1，1)最少需要三個數(shù)據(jù)就可以建立預測模型，所需較少的數(shù)據(jù)個數(shù)使得模型獲得的數(shù)據(jù)信息更少，這樣必然影響到模型的預測效果。鑒于以上情況，通過將智能優(yōu)化算法PSO引入灰色模型，優(yōu)化模型的均值序列的參數(shù)α，

4、通過建立合適的適應值函數(shù)，用優(yōu)化算法進行搜索，搜索合適的參數(shù)α，將搜索到的參數(shù)α應用到模型中以提高模型的預測能力。 2)將智能優(yōu)化算法PSO應用到支持向量機模型中，因為支持向量機模型的分類正確率與回歸的效果受到支持向量機的懲罰系數(shù)，核函數(shù)和核函數(shù)的參數(shù)的影響，不同的懲罰系數(shù)和核函數(shù)參數(shù)對于模型的精度有很大的影響，而懲罰系數(shù)和核函數(shù)參數(shù)的選取并沒有一個確定的規(guī)則，往往是根據(jù)經(jīng)驗來選取確定的值，這樣選取的參數(shù)對于不同類型的數(shù)據(jù)往往不

5、是很適合。鑒于這種情況，通過將智能優(yōu)化算法PSO引入支持向量機模型中，根據(jù)不同的數(shù)據(jù)選取各自適當?shù)闹С窒蛄繖C懲罰系數(shù)和核函數(shù)的參數(shù)，建立合適的適應值函數(shù)，用優(yōu)化算法搜索支持向量機合適的懲罰系數(shù)和核函數(shù)的參數(shù)，將搜索到的懲罰系數(shù)和核函數(shù)參數(shù)應用到模型中以提高模型的預測能力。 3)檢驗智能優(yōu)化算法PSO的優(yōu)化效果：實例證明，PSO優(yōu)化算法優(yōu)化的灰色預測模型GM(1，1)和PSO優(yōu)化算法優(yōu)化的改進的新灰色預測模型FGM(1，1)預測效