群智能優(yōu)化算法PSO及其在幾類模型優(yōu)化中的應(yīng)用.pdf

1、優(yōu)化技術(shù)是一種以數(shù)學(xué)為基礎(chǔ)，用于求解各種問題優(yōu)化解的應(yīng)用技術(shù)。其中有一個(gè)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(qiáng)等優(yōu)點(diǎn)。 不確定性問題廣泛存在于實(shí)際情況中，一直是研究的難點(diǎn)問題。針對(duì)傳統(tǒng)的不確定性問題，人們提出了很多的方法來處理，對(duì)于不確定性問題的研究與預(yù)測又構(gòu)成了一個(gè)重要的科學(xué)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?jǐn)?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(jìn)的地方。 將優(yōu)化算法引入，用優(yōu)化算法對(duì)模型進(jìn)行優(yōu)化，以提高模型精度。 本文的主要研究成果及貢獻(xiàn)如下： 1)將智能優(yōu)化算法PSO應(yīng)用到灰色預(yù)測模型GM(1，1)和改進(jìn)的新灰色預(yù)測模型FGM(1，1)中。首先，因?yàn)槟Ｐ偷念A(yù)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(yù)測能力，而過去對(duì)于參數(shù)α的選擇，一般采用默認(rèn)的參數(shù)或根據(jù)實(shí)際數(shù)據(jù)和模型的預(yù)測效果來設(shè)置，具有很大的隨意性，并沒有一個(gè)確定的規(guī)則；再次，灰色模型GM(1，1)最少需要四個(gè)數(shù)據(jù)而改進(jìn)的新灰色模型FGM(1，1)最少需要三個(gè)數(shù)據(jù)就可以建立預(yù)測模型，所需較少的數(shù)據(jù)個(gè)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(yù)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(yīng)值函數(shù)，用優(yōu)化算法進(jìn)行搜索，搜索合適的參數(shù)α，將搜索到的參數(shù)α應(yīng)用到模型中以提高模型的預(yù)測能力。 2)將智能優(yōu)化算法PSO應(yīng)用到支持向量機(jī)模型中，因?yàn)橹С窒蛄繖C(jī)模型的分類正確率與回歸的效果受到支持向量機(jī)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(duì)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(gè)確定的規(guī)則，往往是根據(jù)經(jīng)驗(yàn)來選取確定的值，這樣選取的參數(shù)對(duì)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(jī)模型中，根據(jù)不同的數(shù)據(jù)選取各自適當(dāng)?shù)闹С窒蛄繖C(jī)懲罰系數(shù)和核函數(shù)的參數(shù)，建立合適的適應(yīng)值函數(shù)，用優(yōu)化算法搜索支持向量機(jī)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(yīng)用到模型中以提高模型的預(yù)測能力。 3)檢驗(yàn)智能優(yōu)化算法PSO的優(yōu)化效果：實(shí)例證明，PSO優(yōu)化算法優(yōu)化的灰色預(yù)測模型GM(1，1)和PSO優(yōu)化算法優(yōu)化的改進(jìn)的新灰色預(yù)測模型FGM(1，1)預(yù)測效