数学 应用数学专业毕业论文 [精品论文] 群智能优化算法pso及其在几类模型优化中的应用.doc

数学 应用数学专业毕业论文 [精品论文] 群智能优化算法PSO及其在几类模型优化中的应用 关键词：智能优化算法 粒子群优化 不确定性 灰色预测模型 支持向量机 摘要：优化技术是一种以数学为基础，用于求解各种问题优化解的应用技术。其中有一个重要的分支-智能优化算法，智能优化算法是通过模拟或解释某些自然现象或过程发展而来的，与普通的搜索算法一样都是一种迭代算法，具有全局的，并行高效的优化性能，鲁棒性，通用性强等优点。 不确定性问题广泛存在于实际情况中，一直是研究的难点问题。针对传统的不确定性问题，人们提出了很多的方法来处理，对于不确定性问题的研究与预测又构成了一个重要的科学分支。这些问题样本数目通常是非常有限的，甚至是很少的，且大部分数据序列没有包含明确的数量方面的关系特征。这样就使得这些问题的处理比较困难，很多方法都取得了较好的的效果，但是这些方法还有可以改进的地方。 将优化算法引入，用优化算法对模型进行优化，以提高模型精度。 本文的主要研究成果及贡献如下： 1)将智能优化算法PSO应用到灰色预测模型GM(1，1)和改进的新灰色预测模型FGM(1，1)中。首先，因为模型的预测能力受到灰色模型的均值序列的影响，改变均值序列参数α将影响到模型的预测能力，而过去对于参数α的选择，一般采用默认的参数或根据实际数据和模型的预测效果来设置，具有很大的随意性，并没有一个确定的规则；再次，灰色模型GM(1，1)最少需要四个数据而改进的新灰色模型FGM(1，1)最少需要三个数据就可以建立预测模型，所需较少的数据个数使得模型获得的数据信息更少，这样必然影响到模型的预测效果。鉴于以上情况，通过将智能优化算法PSO引入灰色模型，优化模型的均值序列的参数α，通过建立合适的适应值函数，用优化算法进行搜索，搜索合适的参数α，将搜索到的参数α应用到模型中以提高模型的预测能力。 2)将智能优化算法PSO应用到支持向量机模型中，因为支持向量机模型的分类正确率与回归的效果受到支持向量机的惩罚系数，核函数和核函数的参数的影响，不同的惩罚系数和核函数参数对于模型的精度有很大的影响，而惩罚系数和核函数参数的选取并没有一个确定的规则，往往是根据经验来选取确定的值，这样选取的参数对于不同类型的数据往往不是很适合。鉴于这种情况，通过将智能优化算法PSO引入支持向量机模型中，根据不同的数据选取各自适当的支持向量机惩罚系数和核函数的参数，建立合适的适应值函数，用优化算法搜索支持向量机合适的惩罚系数和核函数的参数，将搜索到的惩罚系数和核函数参数应用到模型中以提高模型的预测能力。 3)检验智能优化算法PSO的优化效果：实例证明，PSO优化算法优化的灰色预测模型GM(1，1)和PSO优化算法优化的改进的新灰色预测模型FGM(1，1)预测效果有明显提高。经过PSO优化算法优化的支持向量机多分类问题分类正确率亦有明显提高。通过实证检验说明了智能优化算法PSO实用性。  正文内容 优化技术是一种以数学为基础，用于求解各种问题优化解的应用技术。其中有一个重要的分支-智能优化算法，智能优化算法是通过模拟或解释某些自然现象或过程发展而来的，与普通的搜索算法一样都是一种迭代算法，具有全局的，并行高效的优化性能，鲁棒性，通用性强等优点。 不确定性问题广泛存在于实际情况中，一直是研究的难点问题。针对传统的不确定性问题，人们提出了很多的方法来处理，对于不确定性问题的研究与预测又构成了一个重要的科学分支。这些问题样本数目通常是非常有限的，甚至是很少的，且大部分数据序列没有包含明确的数量方面的关系特征。这样就使得这些问题的处理比较困难，很多方法都取得了较好的的效果，但是这些方法还有可以改进的地方。 将优化算法引入，用优化算法对模型进行优化，以提高模型精度。 本文的主要研究成果及贡献如下： 1)将智能优化算法PSO应用到灰色预测模型GM(1，1)和改进的新灰色预测模型FGM(1，1)中。首先，因为模型的预测能力受到灰色模型的均值序列的影响，改变均值序列参数α将影响到模型的预测能力，而过去对于参数α的选择，一般采用默认的参数或根据实际数据和模型的预测效果来设置，具有很大的随意性，并没有一个确定的规则；再次，灰色模型GM(1，1)最少需要四个数据而改进的新灰色模型FGM(1，1)最少需要三个数据就可以建立预测模型，所需较少的数据个数使得模型获得的数据信息更少，这样必然影响到模型的预测效果。鉴于以上情况，通过将智能优化算法PSO引入灰色模型，优化模型的均值序列的参数α，通过建立合适的适应值函数，用优化算法进行搜索，搜索合适的参数α，将搜索到的参数α应用到模型中以提高模型的预测能力。 2)将智能优化算法PSO应用到支持向量机模型中，因为支持向量机模型的分类正确率