基于改进SSA算法优化极限学习机模型的土壤供肥量预测

针对传统农业灌溉系统中土壤供肥量预测准确率低、效率差的问题,提出基于改进麻雀搜索算法优化极限学习机(MHISSA-ELM)的农作物土壤供肥量预测模型。首先,引入飞行引领、分段权重正余弦优化发现者位置更新、警戒者步长因子非线性更新和变异对立学习机制,对传统麻雀搜索算法的盲目飞行、种群多样性、全局搜索与局部开发均衡性及跳离局部最优的全局搜索能力进行改进,提高算法寻优性能,实现多策略混合改进麻雀搜索算法MHISSA。然后,为提高极限学习机ELM的预测精度和泛化能力,利用MHISSA算法迭代优化ELM网络的关键参数:连接权重和隐含层偏差,并以农作物土壤供肥量预测为目标,构建基于MHISSA优化极限学习机的土壤供肥量预测模型。试验结果表明,与同类的四种预测模型相比,MHISSA-ELM的预测曲线与实际曲线最贴近,预测误差可以控制在[-10,15]kg/hm 2之间,最大相对误差为4.8%,绝对百分比误差MAPE为1.7%,预测精度为所有对比模型中最高,模型在农业智能灌溉领域具有实用性。

改进蝴蝶算法优化支持向量机的土壤含水量预测模型

针对传统土壤含水量预测方法精度低、效率差的不足,提出改进蝴蝶算法优化支持向量机的土壤含水量预测算法。引入Levy飞行改进蝴蝶优化算法的位置更新方式,结合高频短步长跳跃搜索和低频长步长行走策略,同步实现局部精细搜索和远程区域勘探,提升寻优能力;设计基于高斯变异和混沌Logistic映射的个体扰动机制,提升种群多样性。利用改进蝴蝶优化算法LGBOA优化SVM模型,构建土壤含水量预测模型。选取某地土壤气象数据为样本进行实验分析,验证LGBOA-SVM模型可以提高土壤含水量预测精度和效率。