基于人工蜂群算法的改进研究与实现.doc

基于人工蜂群算法的改进研究与实现 ──LSSVM燃气负荷预测 廉德胜1，徐晓钟2，孙璐3 上海师范大学信息与机电工程学院，上海 510631） 摘要：参数的选择直接影响着最小二乘支持向量机（LSSVM）的泛化性能和回归效验，是确保LSSVM优秀性能的关键.为了解决以上问题，本文在ABC基础之上研究与改进的（IIABC)并应用于LSSVM回归分析.本文对人工蜂群算法（Artificial Bee Colony Algorithm,ABC）进行了改进,引入新解越界处理方法,研究了一种基于双种群策略的蜂群算法,同时提出提出一种运行时参数调整方法，然后验证优化后IIABC的准确性与健壮性.燃气回归分析采用MAPE作为IIABC算法基准方法,实验结果表明基于IIABC-LSSVM预测结果比IABC-LSSVM有着更高的准确性. 关键词：最小二乘支持向量机；人工蜂群算法；健壮性；MAPE 中图分类号：N32 文献标志码：A Abstract:Selection of the hyper-parameters is critical to the performance of Least Squares Support Vector Machines (LSSVM), directly impacting the generalization and regression efficacy of the LSSVM. In order to solve the problem above, this paper based on ABC research and improvement (IIABC) and applied to the LSSVM regression analysis.In this paper,the Artificial Bee Colony Algorithm, ABC, is improved, introducing a new cross processing method, studying a ABC based on double population policy, and putting forward a run-time parameter adjustment method, and then verify the robustness and accuracy of the optimized IIABC. Experiment adapts MAPE as the benchmark IIABC algorithm for Gas regression analysis, and it shows that forecasting based on the IIABC - LSSVM have higher accuracy than the IABC - LSSVM. Key words: LSSVM; ABC; MAPE; Robustness 1 引言 在燃气预测研究方面，迄今为止有很多方法被提出，比如传统分析法，趋势外推法，回归分析法，时间序列分析法，时间序列预测法[1]，人工神经网络，专家系统，灰色预测，组合预测法等等. 2002年一种基于SVM的新的预测方法LSSVM被提出[7]，作为SVM的变体，LSSVM包含了VSM算法的优点，同时用等式约束代替了不等式约束，求解优化问题用线性方程组代替二次规划问题，因此，这种方法大大简化了标准SVM的处理过程，并且得到了广泛的应用. 在LSSVM中,存在两个待优化参数，即正则化参数γ，以及核函数参数δ2,参数的选择对算法的性能起着非常重要的作用，不合适的参数选择会导致LSSVM回归模型过度拟合或拟合不足的问题.针对以上问题，参数选择的随机 性会导致传统经验主义方法变得效率低下，将会导致不准确的实验结果，即便如此，传统人工选择在参数调整方面仍占有一席之地. 研究表明：除了人工选择方法，在LSSVM参数调整中存在两种基本的方法.第一，基于网格搜索的交叉验证（Cross Validation,CV）.第二，基于理论技术方法[3].例如，基于CV-LSSVM的时间序列短期气象预测案例[4].并且CV需要穷举搜索特征空间,计算量过大.实际操作困难.此外，第二种基于理论分析法，其中包括进化算法（Evolutionary Algorithm，EA）,群体智能技(Swarm Intelligence，SI).作为进化算法的一个分支，遗传算法（Genetic Algorithm,GA）广泛应用于LSSVM参数优化,除了GA算法，粒子群优化算法(Particle Swarm Optimization，PSO)也有着广泛的应用.2005年，