改进果蝇算法优化支持向量机回归的研究与实现

发布时间：2020-08-17 16:39

【摘要】：随着工业生产、科学研究等领域发展,传统的优化算法已经无法处理高纬度,强约束,复杂程度高的优化问题,群智能算法的出现解决了这方面的难题,其具有简单、高效、普适性强等优点。果蝇算法是一种新的群智能算法,基本思想来源于果蝇觅食中,果蝇群体之间的合作与竞争行为,利用的是其协作机制和信息共享机制来搜索食物位置。自该算法推出以来,就受到学术界、工业界的广泛关注,在实际工程问题中能够高效、快速解决相关问题。本文研究了基本果蝇算法的操作流程、应用领域和前人的改进策略,提出了一种隔代搜索步长自适应降低的果蝇算法对支持向量机回归模型进行优化。改进的果蝇算法不仅提高了收敛精度也提升了收敛速度并且扩大了寻优范围有效解决了群智能算法易出现的早熟、易陷入局部极值的问题。能有效解决实际工业、科研等领域的多目标、高维、复杂的优化问题。本文的研究内容及工作如下:首先,仔细研究果蝇算法的发展状况,在不同领域,前人在不同方向所做的改进策略,并描述了算法流程以及算法的优势和劣势和不同参数选择对果蝇寻优性能的影响。其次,深入研究果蝇算法,本文提出了隔代搜索步长自适应降低的果蝇算法。该算法首先将果蝇种群从二维平面扩展到三维空间,提高其搜索范围和搜索空间的大小。第二,将果蝇固定搜索步长更改为隔代自适应降低搜索步长,使前期全局寻优能力和后期局部寻优能力达到动态平衡。第三,将果蝇个体味道浓度判定值由个体到原点距离的倒数决定改进为与个体到原点距离的倒数和上一代最优果蝇个体的味道浓度判定值相关,使果蝇个体搜索范围扩宽到大于1的实数范围内。再次,本文针对隔代搜索步长自适应降低的果蝇算法对支持向量机回归模型的参数进行优化。深入研究了支持向量机的数学理论,研究了支持向量机的核心函数—核函数。明确了支持向量机回归模型中相关参数及参数值对模型带来的影响。最后,本文以磨溪气田集气管道内腐蚀状况、上证指数的开盘指数为案例。将隔代搜索步长自适应降低的果蝇算法结合支持向量机回归模型进行应用研究与验证。并与遗传算法、粒子群算法、基础果蝇算法进行比较,研究结果表明隔代搜索步长自适应降低的果蝇算法在寻优方面性能更好、收敛速度更快、精度更高,能达到满意的效果。
【学位授予单位】：成都理工大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP18
【图文】：

果蝇算法法是台湾学者潘文超在日常生活中认真观察、研究果蝇行为进行模拟，进一步推导出的一种全局优化算法。20了《果蝇最佳化演算法》，标志着果蝇算法正式加入群智外科研人员提供了新的创新思路，新的算法（霍慧慧，飞行昆虫，其生活地理位置主要集中在温带和热带气候区腐烂水果和植物体。果蝇的感官器官特别敏锐，尤其是其控制飞行速度、飞行方向、起飞着陆时间、躲避天敌以嗅到空气中弥漫的各种味道，四十千米以外的食物源味物味道浓度的高低与果蝇相对食物的距离密切相关，果蝇的味道浓度越小。果蝇对食物的搜索过程就是不断探索．方不断向食物味道浓度更大的地方飞行，找到食物具体位）。

示意图,示意图,味道,随机数

1iiS w FormerSDist （3-6）10.5 () * , 0.52* 111.5 () * ,2* 1grand flagMaxgen gwgrand otherwiseMaxgen g （3-7）式中FormerS 为前一代最优果蝇个体的味道浓度判定值。w 随着代数g的改变而自适应调节FormerS 对iS 的影响。 flag 为随机数，以满足 w 一半的几率在[0.5,1]变动，一半的几率在[1,1.5]变动。如图 3-1 所示，Maxgen 为 200 次时，w在[0.5,1.5]区间以一定比例下降，并以 rand ()产生随机数带来小波动，使味道浓度判定值更具多样性。

均方误差,交叉验证,测试集

分同学只会这 10 道题，于是在测试中得了高分进行测试，就能反映出同学对该知识点真正的交叉验证（Cross Validation）是对模型泛化法。首先将原始数据集按一定的方法进行分组训练集对模型进行训练，其次用测试集对模型性能（周志华，2016）24-26。本文采用“K 折交叉验证”（K-fold Cross 化分成 K 组大小相似的互斥子集，尽可能让每每次取一个子集作为测试集，剩下的 K-1 组子组训练集/测试集，即模型会进行 K 次训练和测此次K-CV下模型泛化能力的指标，对其进行评K-CV 可以有效的避免过学习以及欠学习状态的有说服性（余晓琳，2010）。本文在第 5 章进行为 5，即为 5 折交叉验证。5 折交叉验证中的测D

【参考文献】