应用灰关联分析的PSO-SVR工程造价预测模型

为了准确预测与控制工程造价水平,提出一种基于灰关联分析(GRA)与粒子群优化(PSO)的支持向量回归机(SVR)组合预测模型.将GRA提取的工程造价主要指标向量输入PSO-SVR模型预测造价,采用 PSO优化的SVR模型进行工程造价预测,对比分析PSO-SVR模型和其他智能模型,对某一地区相同输电工程进行造价预测.结果表明:基于灰关联分析的PSO-SVR模型的造价预测效果更理想,预测精度更高.     

网络搜索数据和GWO-SVR模型的旅游短期客流量预测

利用皮尔森相关系数法处理网络搜索数据,用灰狼算法（grey wolf optimizer,GWO）优化支持向量回归（support vector regression,SVR）中的参数,提出并实现一种基于网络搜索数据和GWO-SVR模型的旅游短期客流量预测模型,并用参数优化后的SVR对客流量进行建模预测. 以四川省九寨沟和四姑娘山两个景区为例,构建GWO-SVR、ARIMA、BPNN、SVR、CS-SVR、PSO-SVR和无网络搜索数据等客流量预测模型进行实证分析. 结果表明,GWO-SVR模型均优于其他模型,具有更高的预测精度.     

基于PSO-SVR模型的短期天然气负荷预测

针对天然气负荷影响因素选择困难,冗余因素会影响负荷预测的精度和速度,使用特征选择Relief算法对影响负荷值的因素进行筛选,去掉冗余影响因素,为准确地预测天然气负荷提供一定的数据基础;在进行负荷预测时,单一的支持向量回归(support vector regression, SVR)会陷入重要参数难以选取最优的情况,为了解决这一问题,提出一种基于特征选择上的粒子群算法(particle swarm optimization, PSO)优化SVR重要参数的组合模型PSO-SVR。所提出的算法首先使用特征选择选取影响因素,为负荷预测提供主要的数据支持;然后,设置SVR的3个关键参数的初始值,进行迭代得到最优的关键参数值;最后,将影响因素和负荷值输入PSO-SVR模型进行训练并预测。使用榆济管线的负荷数据进行预测并对比。结果表明：提出的算法比其他单一模型的预测精度高,能为天然气负荷预测的研究提供参考,为天然气公司购气量提供依据。     

煤自燃预测的支持向量回归方法

煤自燃温度的准确预测是矿井煤自燃防控的关键。为了科学准确地预测采空区煤自燃温度,在大佛寺煤矿40106综放工作面开展现场观测实验,以现场束管监测系统数据为基础,采用粒子群优化算法(PSO)优化支持向量回归(SVR)参数,建立了煤自燃温度预测的PSO-SVR模型;同时,在保证训练和测试样本不变的前提下,建立了标准SVR模型、BP神经网络(BPNN)模型和多元线性回归(MLR)模型,并与PSO-SVR模型预测结果进行对比分析。MLR,BPNN,SVR和PSO-SVR模型训练样本预测结果的平均绝对百分比误差(MAPE)分别为:5.75%,0.84%,4.16%和1.13%,测试样本预测结果的MAPE分别为:5.17%,3.03%,3.83%和1.34%.结果表明:MLR模型预测结果最差,说明煤自燃温度与气体指标之间的非线性关系更显著,线性模型不宜于煤自燃预测;BPNN模型训练样本预测效果极佳,但测试样本预测效果较差,易出现"过拟合"现象,泛化性较差;PSO-SVR模型预测精度较标准SVR模型有了极大提高,更适宜于煤自燃预测。     

基于PCA-PSO-SVR的PV型旋风分离器粒级效率建模

为了准确地表达PV型旋风分离器的粒级效率与结构参数、操作参数之间复杂的非线性关系,采用PCA-PSO-SVR混合算法对PV型旋风分离器的粒级效率进行建模。采用主元分析法(PCA)对实验数据集进行降维处理,通过粒子群优化算法(PSO)对支持向量回归(SVR)模型中的超参数进行优化。将优化后的回归模型和其它机器学习模型在预测准确性、泛化性、鲁棒性以及运行速度方面进行了对比,结果表明,利用PCA-PSO-SVR算法对PV型旋风分离器的粒级效率建模是一种准确而有效的方法。     

基于遗传算法优化的支持向量回归的室内定位算法

基于zigbee接收信号强度指标的室内定位由于成本低,硬件功耗低,易于实现而受到越来越多的关注。为了提高zigbee技术的室内定位精度,减少环境因素的不利影响,本文提出了一种遗传算法优化支持向量回归的室内定位方法。该算法分为离线采集和在线预测两个阶段,离线采集进行指纹数据库的建立,在线预测则根据训练模型进行位置预测。首先所有的采集数据通过卡尔曼滤波进行处理,然后通过遗传算法优化支持向量回归(GA-SVR)的惩罚参数 、RBF核宽度 和损失函数变量 ,从而使支持向量回归达到最好的位置预测性能。在实际场景中的实验结果表明,与PSO-SVR, GS-SVR, SVR和WKNN算法相比,该算法具有较好的定位性能。     

基于混合人工鱼群优化SVR的交通流量预测

实时准确的交通流量预测是智能交通系统(ITS)中的重要内容．支持向量回归(SVR)能够用于解决交通流量预测问题,针对SVR中存在的参数选择困难,提出一种混合人工鱼群(AFS)算法．该算法利用粒子群优化(PSO)算法公式改进AFS算法,减小AFS算法中步长因子的影响,并引入混沌初始化AFS机制,选取最优SVR参数,建立了基于混沌PSO-AFS优化SVR的交通流量预测模型．仿真结果表明,该交通流量预测模型具有更优的预测性能,证明了其可行性和有效性．     

基于支持向量回归的定性-定量因子混合建模方法

在科学研究及工程实践中,输入参数经常同时包含定性因子与定量因子,为实现此类数据的有效建模,提出基于支持向量回归(SVR)的定性-定量因子建模方法,以用于工程实验及数值仿真的定性定量因子分析．引入超球面分解量化定性因子相关关系,构建了一种新型核函数描述定性因子与定量因子关联关系,提出了定性-定量因子支持向量回归算法实现定性定量数据的混合建模与预测．通过数值算例和经典工程算例,发现所提算法能提供相比于普通的支持向量回归算法及基于高斯过程回归的定性-定量因子算法更优的预测结果．以种植体骨应力分析为例,其中种植体材料类型为定性因子、结构参数为定量因子,实验结果表明所提算法能够显著提升骨应力预测精度,可为种植体的设计优化提供模型基础,揭示了所提算法的工程可用性．     

基于运行状态信息的数控珩磨机液压系统可靠性预测方法

针对常规的可靠性预测方法无法实现对数控珩磨机液压系统可靠性进行有效预测的缺点,提出了一种基于运行状态信息及支持向量回归(SVR)的数控珩磨机液压系统可靠性预测方法.该方法主要包括状态特征指标的选取、瞬时可靠度的计算以及SVR预测模型的建立.为实现对SVR预测模型的有效解算,分别采用遗传算法(GA)、粒子群算法(PSO)和混合算法实现对SVR模型的核参数的寻优计算,并比较了3种方法下SVR模型的瞬时可靠度预测精度.实例仿真结果表明,与GA及混合算法相比,采用PSO算法来解算SVR预测模型能够得到更优的数控珩磨机液压系统的可靠性预测精度.     

基于遗传算法和支持向量回归的锂电池健康状态预测

为了提高锂电池健康状态(SOH)的预测精度,该文提出了1种基于遗传算法和支持向量回归(GA-SVR)的联合算法。通过GA解决SVR模型中的超参数优化问题。GA-SVR随机生成1组染色体,每个染色体包含了相应的SVR超参数信息。利用适应度函数计算出每条染色体的适应度值。根据适应度值对染色体进行选择、基因重组和变异等遗传操作,从而更新染色体的超参数信息。经过多次迭代后,找到适应度最大的染色体。从该染色体中提取相应的超参数信息,并训练最终的SVR预测模型。在美国国家航空航天局(NASA)锂电池数据集上的实验结果表明,该文算法优于基于混合像元核函数的高斯过程回归(SMK-GPR)算法、基于多尺度周期协方差函数的高斯过程回归(P-MGPR)算法、基于多尺度平方指数函数的高斯过程回归(SE-MGPR)算法和改进的基于粒子群优化的支持向量回归(IPSO-SVR)算法。     

面向SCOTEM模型的软件测试数据生成方法研究

如何从UML模型生成测试用例为面向对象软件测试带来了新的挑战.为测试用例提供测试数据是其中的关键环节.Shaukat Ali等人在UML基础上提出SCOTEM模型,但是此模型的测试数据需要人工生成.针对SCOTEM模型进行了改进使其适于灰盒测试,以OCL约束测试数据的生成和运行结果的验证,并提出了一种为基于粒子群算法的改进SCOTEM模型自动生成测试数据的方法.针对不同的覆盖标准,实验证明该方法能够以更高的效率生成高质量的测试数据.     

软件系统的可靠性分配模型及优化研究

本文着重研究基于架构的软件系统的可靠性分配模型以及相应的优化算法,以最少的成本创建具有最优可靠性的系统,不仅考虑了开发成本的最小化,而且优化了软件系统的可靠性。本文所提出的模型和算法对于降低软件系统开发成本、提高软件系统可靠性具有一定的理论参考价值,并且能够在软件开发之前对已经设计出的软件架构进行预评估,从而预测软件系统的开发成本并对软件可靠性进行优化分配,具有较高的实际应用价值。     

基于人工蜂群优化支持向量机回归的隧道塌方风险预测

为预测隧道塌方风险等级,减少隧道塌方引起的灾害事故,建立基于人工蜂群(artificial bee colony, ABC)优化支持向量机回归(support vector machine regression, SVR)隧道塌方风险预测模型。首先,从工程地质、水文气象、设计因素、施工因素4个方面综合考虑,遴选13个主要影响因素,建立隧道塌方风险指标体系;其次,引入人工蜂群算法优化SVR的核参数C和惩罚参数g,解决传统SVR稳定性低的缺陷,提高模型的精确度,为验证模型性能采用相关系数(R²)、均方误差(mean squared error, MSE)、均方根误差(root mean squared error, RMSE)评价参数对比分析;最后,以新疆北部某供水工程为研究对象,对隧道塌方风险测试样本进行预测,分别将ABC-SVR、PSO-SVR、GA-SVR及SVR模型对比分析。研究结果表明：ABC-SVR预测结果为100%,PSO-SVR预测结果为83.3%,GA-SVR和SVR均为66.67%,ABC-SVR的预测结果与实际工程结果一致性更高,可为隧道塌方风险...     

基于MapReduce和改进人工蜂群算法的并行划分聚类算法

针对大数据背景下基于划分的聚类算法中存在参数寻优能力不佳、初始中心敏感、数据倾斜等问题,提出一种基于MapReduce和人工蜂群(artificial bee colony,ABC)算法的并行划分聚类(the partitioning-based clustering algorithm by using im-prove artificial bee colony based on MapReduce,MR-PBIABC)算法.首先,提出基于反向学习和聚类准则函数的初始化策略(backward learning and the clustering criterion function,BLCCF),提升人工蜂群算法搜索的解质量,并将ABC算法和人工鱼群(artificial fish colony,AFS)算法结合,提出改进人工蜂群(improve artificial bee colony,IABC)算法,通过利用AFS算法最优解能力较强的特性,来提高ABC算法的寻优能力;其次,根据改进的人工蜂群算法IABC获取初始聚类中心,提出相对熵策略(rela-tive entropy strategy,RES)衡量人工鱼间的距离,保证获得的初始聚类中心是最优人工鱼状态,从而有效避免了随机选取初始聚类中心,引起的初始中心敏感的问题;再次,设计数据均衡策略(data balancing strategy,DBS),通过动态收集节点负载并分配节点间的负载,解决了节点上数据倾斜的问题;最后,结合MapReduce计算模型,并行挖掘簇中心,生成最终聚类结果.实验结果表明,MR-PBIABC算法的聚类效果更佳,同时在大数据环境下,能有效地提高并行计算的效率.     

参数并行：一种基于群启发式算法的机器学习参数寻优方法

针对机器学习算法超参数寻优效率低的问题和参数寻优主流算法的特点,提出了一种基于参数并行机制的机器学参数寻优方法。该方法利用群启发式算法来进行机器学习算法的参数寻优,将种群转换为Spark平台特有的弹性分布式数据集,针对参数寻优耗时特点并行计算种群中个体适应度。选取随机森林和遗传算法作为实验算法设计了多组实验对所提出的学习训练方法进行验证。实验结果表明,在20万条以下的小数据量下,文中提出的基于参数并行机制的机器学习参数寻优方法与基于数据并行机制的机器学习参数寻优方法相比,运行时间最多能够减少2个小时,并具有良好的可扩展性。     

不确定结构的模糊可靠性优化设计方法

提出了基于模糊可靠性的结构优化设计方法。并对基于模糊可靠性和基于随机可靠性方法的结构优化设计作了实例定量对比研究。结果表明：在已知数据信息相同的条件下，两种可靠性优化方法设计的结构，可有完全相同或一致的设计结果。说明了模糊可靠性模型和文中方法用于不确定结构的优化设计是有效和可行的。     

划分测试中测试用例最优分配问题研究

研究了划分测试中每个子域错误率已知，测试资源受约束时，测试用例如何合理分配的优化问题．主要考虑了两类测试用例分配问题：测试资源受约束的测试用例分配及测试资源受约束且各个子域的可靠性要达到一定要求时测试用例的分配，证明了带约束的测试用例最优分配问题是一个NPC问题．给出了动态规划求解方法，从理论上证明了该方法是最优的，并通过随机模拟将该方法与其它常见的测试用例分配策略进行分析比较，用实验数据验证了该办法能合理利用有限测试资源，有效地提高缺陷检测能力．     

基于樽海鞘群与粒子群混合优化算法的特征选择

针对现有特征选择方法中存在的收敛速度慢和计算效率低等问题,提出了一种基于樽海鞘群与粒子群优化的混合优化(hybrid optimization of salp swarm algorithm and particle swarm optimization,HOSSPSO)特征选择方法,该方法在樽海鞘群算法(salp swarm algorithm,SSA)的基础上,引入粒子群优化(particle swarm optimization,PSO),提高了SSA的收敛速度,改进了探索和开发步骤的效率,增加了解空间更多的灵活性和多样性,使得方法能够迅速获得全局最优值.为了验证算法的性能,在2个实验序列上进行了测试:第一个实验序列使用基准函数,将HOSSPSO与标准SSA、PSO进行了比较;第二个实验序列采用不同的UCI数据集,通过提出的算法确定最佳特征集.实验结果表明,相比于其他优化算法,HOSSPSO的性能更具优势,在多项评估指标中获得较好的效果,能以极少量的特征获得最大的分类精度.