基于融合Levy飞行策略与自适应变异因子优化QPSO-SVM算法

为了提高SVM分类精度与泛化能力,故提出一种基于融合Levy飞行策略与自适应变异因子优化QPSO-SVM算法.用量子粒子群算法(quantum particle swarm optimization,QPSO)对SVM进行惩罚因子和核函数参数优化,并针对QPSO算法出现的早熟收敛的问题,采用Levy飞行策略与自适应变异因子对其进行修正.实验仿真结果表明,与其他的智能优化算法相比,所提出的模型具有较高的分类性能和预测精度.

基于自适应变异因子策略的混合蛙跳算法

由于基本混合蛙跳算法在对问题的优化求解中存在着收敛速度慢、优化精度低且容易陷入局部最优等问题,因此提出了一种新的混合蛙跳算法。对基本混合蛙跳算法的组内更新策略进行重新设计,引入自适应变异因子来控制青蛙的移动步长;在算法中将改进的粒子群优化算法有机地嵌入其中,这样算法在搜索过程中就增加了发现新解的概率,维持了种群的多样性,从而使算法不易陷入局部最优。通过对标准函数进行优化测试,结果证明其具有良好的优化性能。

柯西自适应回溯搜索与最小二乘支持向量机的集成预测模型

针对在最小二乘支持向量机(LSSVM)的核函数参数和正则化参数优化中回溯搜索优化算法(BSA)易早熟、局部开采能力弱等问题,提出了一种集成预测模型CABSA-LSSVM。首先采用柯西种群生成策略增加历史种群的多样性使算法不易陷入局部最优解,然后利用自适应变异因子策略调节变异尺度系数以平衡算法的全局勘探和局部开采能力,最后运用改进后的柯西自适应回溯搜索算法(CABSA)优化LSSVM以形成新的集成预测模型。选取10个UCI数据集进行数值实验,结果表明所提模型CABSA-LSSVM在种群规模为80时回归预测性能最优,且与标准BSA、粒子群优化(PSO)算法、人工蜂群(ABC)算法、灰狼优化(GWO)算法优化的LSSVM相比,该模型的决定系数提升了1.21%~15.28%,预测误差降低了6.36%~29.00%,运行时间降低了5.88%~94.16%,可见该模型具有较高的预测精度和较快的计算速度。

基于改进模糊神经网络的细胞活性预测

针对细胞活性的预测问题,提出了一种利用自适应差分进化算法优化的模糊神经网络(ADE-FNN)预测模型。首先,通过模糊化处理细胞培养过程中的多种影响因素(如培养基成分、温度、pH值等),将这些因素作为模糊神经网络的输入。然后,利用已有的细胞活性数据对模型进行训练,优化网络参数。经过多次迭代和调整,模型逐渐学习到输入与输出之间的复杂映射关系。最后,利用细胞活性仿真实验验证所提ADE-FNN算法的性能。结果表明,基于模糊神经网络的细胞活性预测模型具有较高的预测精度和泛化能力。与传统的统计方法相比,该模型能够更好地处理数据中的不确定性和噪声,从而提供更准确的预测结果。此外,该模型还具有较好的可解释性,有助于深入理解细胞活性的影响因素及其作用机制。

基于t-SSA-BP的煤矿噪声职业健康损害预测

为精准预测煤矿接噪人员职业健康损害情况,基于分位图法选取健康损害数据影响因素,依据噪声职业健康损害评估方法,以自适应t分布变异因子和麻雀搜索算法(SSA)作为参数优化算法,建立t-SSA-BP煤矿噪声职业健康损害预测模型,利用基准函数测试算法寻优性能,并以陕北地区10个煤矿为研究对象,采用现场调查、理论分析和Matlab仿真模拟方法验证煤矿噪声职业健康损害预测模型。结果表明:噪声暴露强度、个体年龄、接噪工龄和接噪岗位4个指标是煤矿噪声健康损害的影响因素;t-SSA较SSA在4种基准函数上整体精度提升660%,5种噪声健康损害神经网络预测模型预测精度从高到低依次为:t-SSA-BP>SSA-BP>PSO-BP>CFA-PSO-RBF>PSO-GRNN,t-SSA-BP预测模型的平均绝对误差(MAE)、平均绝对百分误差(MAPE)相比SSA-BP分别降低681%、667%,决定系数(R2)达0999,预测精度明显提升,且收敛速度更快。

改进的正弦余弦算法在函数优化问题中的研究

正弦余弦算法(SCA)是2015年提出的一种新型的群智能算法。针对标准正弦余弦算法局部搜索能力差、精度低的缺点,提出改进的正弦余弦算法(简称ISCA)。首先,引入动态惯性权重平衡算法的局部与全局搜索能力;然后,为更进一步加强迭代后期局部搜索能力,将参数r1由线性递减函数变成了指数型递减函数;最后,引入自适应变异因子,增强种群的多样性;最后,将改进的SCA算法对10个经典的单峰、多峰函数进行测试,并同标准SCA算法、粒子群算法(PSO)、遗传算法(GA)进行比较。实验结果表明:ISCA算法优于其他几种算法。

基于改进的PSO-SVM的音频信号特征识别和分类

针对音频信号准确性分类的问题,提出一种基于改进的的粒子群优化算法(PSO)的支持向量机(SVM)音频信号分类的方法,简称IPSO-SVM.首先用Mel倒谱系数法对4种音频信号进行特征提取.其次在PSO中引入自适应变异因子,能够成功地跳出局部极小值点;然后对PSO中的惯性权重进行了改进,将惯性权重由常数变为指数型递减函数.随着迭代的进行,使权重逐渐减小,这样做有利于粒子进行局部寻优.最后用改进的PSO不断优化SVM中的惩罚因子c和核函数参数g来提高预测精度.实验结果表明,与传统的SVM、PSO-SVM、GA-SVM相比,我们提出的IPSO-SVM算法分类结果更精确.