基于粒子群思想改進(jìn)支持向量機優(yōu)化算法的研究.pdf

1、隨著科技的日益進(jìn)步和社會的發(fā)展，現(xiàn)代工業(yè)過程呈現(xiàn)出多變量耦合、強非線性以及模型不確定等復(fù)雜特性，嚴(yán)重制約著工業(yè)的生產(chǎn)和快速發(fā)展。如何對復(fù)雜的工業(yè)生產(chǎn)過程進(jìn)行準(zhǔn)確的預(yù)測和控制成為了當(dāng)今學(xué)者研究的一個熱點問題。而人工智能算法以其應(yīng)用領(lǐng)域廣、易建模等特點在近些年得到了快速發(fā)展。通過基于粒子群和支持向量機智能算法，對青霉素發(fā)酵過程中的補料優(yōu)化控制過程以及電力系統(tǒng)領(lǐng)域的短期負(fù)荷預(yù)測問題進(jìn)行了分析和研究。
　　首先針對粒子群算法(PSO: P

2、article Swarm Optimization)計算形式簡單，復(fù)雜度比較低，需要確定的參數(shù)個數(shù)少，同時能夠保證算法模型的最終收斂精度比較高的這些原理和特點進(jìn)行了分析，然后針對粒子群算法容易陷入局部陷阱、空間探索能力以及進(jìn)行快速收斂質(zhì)量差等缺點，分別引入指數(shù)遞減慣性權(quán)重、收斂因子以及模擬退火算法對原始粒子群算法進(jìn)行改進(jìn)，通過四組標(biāo)準(zhǔn)測試函數(shù)對改進(jìn)的粒子群算法進(jìn)行驗證，結(jié)果表明基于禁忌搜索退火原理的PSO算法在運算速度以及搜索能力上都

3、有明顯的提高。
　　基于結(jié)構(gòu)風(fēng)險最小化的支持向量機(SVM)算法能夠在小樣本數(shù)據(jù)下建立非常好的非線性映射模型，大大降低了模型的復(fù)雜度，克服了粒子群算法容易陷入局部極小值的缺陷，同時相對于粒子群算法還具有很強的泛化能力。但學(xué)習(xí)能力較差，受懲罰因子以及核函數(shù)參數(shù)影響很大，且傳統(tǒng)的參數(shù)選擇方法既費時又效率低下，急需要一種新的參數(shù)選擇方法對其進(jìn)行優(yōu)化。
　　通過對PSO以及SVM算法的分析與對比，將兩者結(jié)合起來，利用改進(jìn)后的PSO算