CN111079888B - 一种基于混合qpso-de寻优预测水质溶氧方法及系统 - Google Patents
一种基于混合qpso-de寻优预测水质溶氧方法及系统 Download PDFInfo
- Publication number
- CN111079888B CN111079888B CN201911113195.XA CN201911113195A CN111079888B CN 111079888 B CN111079888 B CN 111079888B CN 201911113195 A CN201911113195 A CN 201911113195A CN 111079888 B CN111079888 B CN 111079888B
- Authority
- CN
- China
- Prior art keywords
- individual
- algorithm
- qpso
- dissolved oxygen
- water quality
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开公开了一种基于混合QPSO‑DE寻优预测水质溶氧方法及系统,通过利用QPSO‑DE算法来优化设计支持向量机的参数,并将优化设计得到的支持向量机设置为寻优预测水质溶氧模型,得到水质溶氧预测数据。搜索能力比标准差分进化算法的搜索能力更强,性能更优越,在每次迭代进入下一代的个体都具有更优的适应度值,并且,能有有效的避免算法出现早熟现象,即陷入局部最优而跳不出来,提高了算法的全局搜索能力。
Description
技术领域
本公开涉及人工智能技术领域,具体涉及一种基于混合QPSO-DE寻优预测水质溶氧方法及系统。
背景技术
我国是个水产业大国,水产养殖业作为水产业生产活动的一种,对水产业的影响有着举足轻重的作用。在水产养殖中,水质对水产动植物的生长具有重要影响,水质的好坏很大程度上影响到水产生物是否健康,差的水质可能会使鱼儿成为中间的宿主,转而将寄生虫传给人类,从而给人类健康带来巨大的危害。而随着水产养殖精养化程度的提高,水质管理已成为水产养殖业最为关注的问题之一。如果能对未来的水质变化进行较准确的预测,从而可以起到防患于未然的作用,同时也可以为领导决策提供科学依据,这无疑可以对我国的水产养殖起到积极的作用。传统人工神经网络预测方法建立在经验风险最小化原则之上,因此容易发生对训练数据的“过学习”,并且在训练时容易陷入局部最优。最小二乘支持向量机以统计学理论为基础,建立在结构风险最小化原则之上,具有较好的学习与推广能力;它不仅能够在样本有限的情况下发挥其最佳的性能,而且可以较快地收敛于全局最优。利用最小二乘支持向量机进行建模时,涉及到两个非常重要的参数,一个是核函数参数γ,一个是惩罚系数C。这两个参数会较大地影响所建模型的精确度,如何选择参数值对模型的预测性能具有关键性的作用。
通过对量子粒子群优化算法和差分进化(differentialevolution,DE)算法的分析与研究,提出一种将两种算法相融合且引入混合优化思想的新型智能优化算法,并将这个新算法应用到最小二乘支持向量机的参数寻优过程中,通过对影响水质的各因子的分析,建立水体溶氧预测模型,使之能够较为准确的做好水体溶氧含量的预测工作,为科学管理水质提供必要的依据。
在计算过程中也存在很多不足的地方,还能从以下几个方面进行不断的完善:
(1)在水质研究方面,基础数据的获得很是困难,受到各种环境以及经济因素的影响,我们很难获长期的、连续的、完备的监测数据,影响水质的因素复杂而多面,为进一步做好溶氧预测的研究,如何有效地获取长期而稳定的数据显然具有很大的现实意义。
(2)本公开提出用混合QPSO-DE(混合优化算法)优化算法来对LSSVM模型的参数进行优化选取,从而对LSSVM模型进行优化,其实,LSSVM模型还有可以优化的地方,例如核函数的选取方面,这是个值得研究的课题。
(3)本公开对溶氧含量的预测仅仅考虑了各个影响因子之间的横向联系,并没有涉及到纵向的关系,考虑到水质还受到水中生物的呼吸和分泌的影响,而这些因素与时间有着密切的联系,例如,鱼儿大多在白天活动,这时伴随着呼吸作用,其对水质的影响一定高于夜晚休息的时候。如果要考虑这些因素,也必然更加要求采集到的数据具有完整性,总而言之,考虑纵向变化,对未来进行预测将会有很大的意义。
发明内容
本公开提供一种基于混合QPSO-DE寻优预测水质溶氧方法及系统,本公开在之前的分析中指明,差分进化算法中的交叉概率CR需要根据具体的问题来具体的分析,如果问题中的变量是相互独立的,那么CR的取值可以小一些;如果这些变量是相互依赖的,CR的取值可以大一些,CR∈[0,1]。对于交叉概率CR的选取,在现有技术中,一般利用指数递增策略对交叉概率CR进行自适应选取,从而提高差分进化算法的性能(见参考文献:高岳林,刘俊梅.一种带有随机变异的动态差分进化算法[J].计算机应用,2009,29(10):2719-2722)。
本公开中,采用经典的混合系统,选择xk+1=μxk(1-xk)的Logistic映射来生成混合序列,这个方法相对更简单、思路清晰、计算量较小、便于程序化实现。
为了实现上述目的,根据本公开的一方面,提供一种基于混合QPSO-DE寻优预测水质溶氧方法,所述方法包括以下步骤:
S001,采集溶解氧数据组成原始数据集;
S002,将原始数据集进行特征提取,得到特征向量;
S003,将特征向量设置为训练数据集;
S004,利用QPSO-DE算法来优化设计支持向量机的参数,并将优化设计得到的支持向量机设置为寻优预测水质溶氧模型;
S005,输入原始数据集到寻优预测水质溶氧模型;
S006,得到水质溶氧预测数据。
(1)在空间[0,1]上,随机产生一个D维变量xi=(xi1,xi2,…,xiD),i=1,2,…,D,其中xi≠0.25,0.5,0.75,根据Logistic映射xi+1=μxi(1-xi),产生N个混合序列kx,其中,k=1,2,…,N。其中,μ在区间[0,4]被称作分枝控制参数,当μ=4的时候,动力系统处于完全混合状态,此时产生的序列kxk={0,1,2,...},是非周期且不收敛的,并对初始值具有极其敏感的依赖性,此时动力系统所产生的混合序列具有可遍历性,且概率密度函数与初始值没有关系。
(2)把xi依次映射至解空间的N个点列,xi=(xi1,xi2,…,xiD)其k=1,2,…,N:
(3)反之,也可以将解空间中的某个点的kx映射到区间[0,1]上,得到相对应的混合变换:
混合差分进化的算法主要思想是:在每一次的迭代中,利用DE算法寻找到当前最优解Xbest,由于DE算法容易陷入局部最优,因此在Xbest周围进行k次混合搜索,找出得到的k个个体向量中的最优个体Xcbest,记为与DE算法搜索到的Xbest相比较,留下适应度更优的那个个体。倘若个体Xbest的适应度更优,则直接返回,进入下一次的迭代过程;反之,倘若个体Xcbest的适应度更优,则用个体Xcbest的适应度值取代当前的最佳适应度值,然后让个体Xcbest取代种群中随意一个个体而进入下一次的迭代。
具体的k次混合搜索方式可以描述如下:
首先,求出k个混合序列;
然后,在Xbest周围进行混合搜索;
其中x′k是在空间[0,1]上取值的,因此所得的结果均大于0,λ是调节算子,通过它可以引导xk朝着正、负两个方向取值.
混合差分进化算法的步骤可以描述如下:
步骤1:初始化种群以及参数;人为设置种群规模NP、缩放因子F以及交叉概率CR的值,最大迭代次数为MaxTimes,D代表问题的空间维数,和/>分别代表了作为第j个分量的xi可能达到的最小值和最大值,j=1,2,…,D;
其中,i∈{1,2,...,NP},rand(0,1)是一个在区间(0,1)上服从均匀分布的随机数;
步骤2:根据事先定义好的适应函数f(x)的计算公式,计算出种群中每一个个体所对应的适应度值;找出适应度最佳的那个个体,称为Xbest,记录最佳适应度值为fbest;f(x)是最小化问题的目标函数(适应度函数);
步骤3:进行变异操作,得到变异个体Vi,G;
步骤4:进行交叉操作,得到试验个体Ui,G;
步骤5:进行选择操作,得到进入下一代的个体Xi,G+1;
步骤6:把试验个体Ui,G的适应度值与最佳适应度值fbest相比较,如果,f(Ui,G)的值优于fbest,那么,最佳个体Xbest由Ui,G代替,最佳适应度fbest的值由,f(Ui,G)的值替换,重复步骤1至步骤6,直到当前最佳的适应度;
步骤7:在Xbest周围进行k次混合搜索,设置各类参数,1x'=rand(0,1),即为区间(0,1)上服从均匀分布的随机数,并且1x'≠0.25,0.5,0.75;
步骤8:求出Xk的值;
步骤9:计算Xk的适应度值,并从中选出适应度最好的个体,称为Xcbest;
步骤10:把Xcbest的适应度值与最佳适应度值fbest相比较,如果f(Xcbest)优于fbest,那么,最佳适应度fbest的值由f(Xcbest)的值替换,并且随机在种群中选择一个个体由Xcbest来替代,并进入下一代;
步骤11:如果当前的迭代次数达到预先设定的最大迭代次数MaxTimes时,算法终止;否则重复执行步骤3至步骤10,直至满足算法终止条件。
算法全局搜索能力较好,但是局部搜索能力欠缺,QPSO算法将不可避免的陷入局部最优;另一方面,DE算法的全局搜索能力有待增强。为了提高QPSO算法以及DE算法的算法性能,得到一个新的算法在第一阶段采用QPSO算法对种群中的个体进行更新,在第二阶段实行DE算法中的变异、交叉以及选择操作,对种群中的个体进行优化选取。
QPSO-DE优化算法中变异操作的基本思想,即变异个体向量的获得方式,可以描述如下:
首先,对第一阶段中利用QPSO算法获得的个体最优解所在集合中的个体进行两两做差的操作;接着,对所得到的各个差分向量进行缩放操作,并进行加权求和;最后,把加权求和的结果与第一阶段中利用QPSO算法获得的全局最优解进行向量的合成,这样就获得了新的变异个体向量。
其中,[δl1,δl2,…,δlD](l=1,2,…,N,D代表问题的空间维数)就是差分向量,记作Δi;δlj表示的就是差分向量Δj中的第j维的分量;
其中,r1l与r2l表示在区间[1,N]上的两个互不相等的随机整数,并且与在第一阶段利用QPSO算法所获得的全局最优解Pg的索引号的互不相同;Pr11以及Pr21是在第一阶段利用QPSO算法所获得的个体最优解中随机选取的两个个体最优解;j=1,2,…,D代表维数。对差分向量进行加权求和:
当N=1时,Δ(1)=Pr11-Pr11;
为方便计算在QPSO-DE算法中,将N设定为2来解决问题。
其中,r1、r2、r3以及r4是区间[1,NP](NP代表种群规模)上的四个两两互不相等的整数,并且都与当前的活动指标数i以及在第一阶段利用QPSO算法所获得的全局最优解Pg的索引号的互不相同。
接下来的步骤与标准DE算法相类似,要对变异个体和原个体进行交叉操作,从而得到试验个体向量。在标准DE算法中,试验个体向量Ui,G,是通过变异个体向量Vi,G以及原种群中的目标向量Xi,G交叉选择所得的;而在QPSO-DE算法中,试验个体向量Ui,G,是通过变异个体向量Vi,G以及第一阶段QPSO算法所得的个体最优解Pi,G交叉选择得到的,G=1,2,…,MaxTimes,表示当前的迭代次数。
其中,rand(j)表示在区间(0,1)上服从均匀分布的随机数,CR表示交叉概率,在区间[0,1]上取值,rand(i)为区间[1,D]上的一个随机整数,D表示问题的维数。
然后,进行选择操作,种群中每个个体向量均会产生一个试验个体向量,根据贪婪选择策略,比较试验个体Ui,G与目标向量Xi,G的适应度值,把适应度更优的个体选出来作为子代,进入下一次循环,成为新的个体:
其中,Xi,G+1为下一代种群的第i个个体,f为事先定义的适应度函数。
把QPSO算法与DE算法混合起来,使得每次进入下一次迭代的个体粒子要么比原本更新后的个体更优,要么保持原来的个体粒子不变;即新算法的性能优于原来的QPSO算法,从理论上来讲,即使在最差的情况下,QPSO-DE算法的寻优性能也会与原来的QPSO算法保持一致。
QPSO-DE算法的具体步骤如下:
步骤一:随机初始化种群,以及设置各类参数值,并直接给当前各个粒子最佳位置以及全局最佳位置赋值;
步骤二:计算平均最优解mbest(G)的值,根据QPSO算法对种群进行更新;
步骤三:根据事先定义好的目标函数f(x)的计算公式,计算出每一个粒子所对应的目标函数值,即适应度值;f(x)是最小化问题的目标函数(适应度函数)
步骤四:对每一个粒子的局部最佳位置进行更新,即局部最小化;
步骤六:对种群中的每一个个体向量进行变异操作,得到变异个体向量Vi,G;
步骤七:对步骤六所得的变异个体Vi,G和个体最佳值Pi,G进行交叉操作,得到试验个体向量Ui,G;
步骤八:对试验个体Ui,G和目标向量Xi,G进行选择操作,得到进入下一代的个体Xi,G+1,对整个种群进行更新;
步骤九:根据事先定义好的目标函数f(x)的计算公式,对更新后的种群重新进行计算,计算出每一个个体粒子所对应的适应值;f(x)是最小化问题的目标函数(适应度函数);
步骤十:重复执行步骤二至步骤九,直至当前的迭代次数达到预先设定的最大迭代次数MaxTimes时终止;
步骤十一:通过优化后的支持向量机的参数得到优化后的支持向量机,将优化后的支持向量机作为寻优预测水质溶氧模型。
本公开还提供了一种基于混合QPSO-DE寻优预测水质溶氧系统,所述系统包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序运行在以下系统的单元中:
溶解氧数据采集单元,用于采集溶解氧数据组成原始数据集;
特征提取单元,用于将原始数据集进行特征提取,得到特征向量;
训练数据单元,用于将特征向量设置为训练数据集;
支持向量机优化单元,用于利用QPSO-DE算法来优化设计支持向量机的参数,并将优化设计得到的支持向量机设置为寻优预测水质溶氧模型;
原始数据输入单元,用于输入原始数据集到寻优预测水质溶氧模型;
预测数据单元,用于得到水质溶氧预测数据。
本公开的有益效果为:本公开提供一种基于混合QPSO-DE寻优预测水质溶氧方法及系统,该方法的搜索能力比标准差分进化算法的搜索能力更强,性能更优越。
从理论上讲,与把QPSO算法和差分进化算法相结合的QPSO-DE优化算法相比较,把QPSO算法与混合差分进化算法相结合的混合QPSO-DE优化算法应该更优越。混合QPSO-DE优化算法的执行分为三个阶段。在算法的第一个阶段,对分布在空间里的种群的个体粒子执行QPSO算法的相关操作,更新种群、个体最优位置以及全局最优位置;在算法的第二个阶段,执行DE算法中各项操作,对第一阶段更新后的个体最优解以及全局最优解进行变异操作,再利用交叉操作和选择操作对种群中的个体进行优化选取;在算法的最后一个阶段,在第二阶段更新后的全局最优解周围进行K次混合操作,把生成的最优个体与种群中的最优个体做比较,留下更优那个个体,更新全局最优解,再进入下一代的循环。通过这样的操作,在每次迭代进入下一代的个体都具有更优的适应度值,并且,能有有效的避免算法出现早熟现象,即陷入局部最优而跳不出来,提高了算法的全局搜索能力。
附图说明
通过对结合附图所示出的实施方式进行详细说明,本公开的上述以及其他特征将更加明显,本公开附图中相同的参考标号表示相同或相似的元素,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图,在附图中:
图1所示为一种基于混合QPSO-DE寻优预测水质溶氧方法的流程图;
图2所示为一种基于混合QPSO-DE寻优预测水质溶氧系统结构图。
具体实施方式
以下将结合实施例和附图对本公开的构思、具体结构及产生的技术效果进行清楚、完整的描述,以充分地理解本公开的目的、方案和效果。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
如图1所示为根据本公开的一种基于混合QPSO-DE寻优预测水质溶氧方法的流程图,下面结合图1来阐述根据本公开的实施方式的一种基于混合QPSO-DE寻优预测水质溶氧方法。
本公开提出一种基于混合QPSO-DE寻优预测水质溶氧方法,具体包括以下步骤:
S001,采集溶解氧数据组成原始数据集;
S002,将原始数据集进行特征提取,得到特征向量;
S003,将特征向量设置为训练数据集;
S004,利用QPSO-DE算法来优化设计支持向量机的参数,并将优化设计得到的支持向量机设置为寻优预测水质溶氧模型;
S005,输入原始数据集到寻优预测水质溶氧模型;
S006,得到水质溶氧预测数据。
(1)在空间[0,1]上,随机产生一个D维变量xi=(xi1,xi2,…,xiD),i=1,2,…,D,其中xi≠0.25,0.5,0.75,根据Logistic映射xi+1=μxi(1-xi),产生N个混合序列kx,其中,k=1,2,…,N。其中,μ在区间[0,4]被称作分枝控制参数,当μ=4的时候,动力系统处于完全混合状态,此时产生的序列kxk={0,1,2,...},是非周期且不收敛的,并对初始值具有极其敏感的依赖性,此时动力系统所产生的混合序列具有可遍历性,且概率密度函数与初始值没有关系。
(2)把xi依次映射至解空间的N个点列,xi=(xi1,xi2,…,xiD)其k=1,2,…,N:
(3)反之,也可以将解空间中的某个点的kx映射到区间[0,1]上,得到相对应的混合变换:
混合差分进化的算法主要思想是:在每一次的迭代中,利用DE算法寻找到当前最优解Xbest,由于DE算法容易陷入局部最优,因此在Xbest周围进行k次混合搜索,找出得到的k个个体向量中的最优个体Xcbest,记为与DE算法搜索到的Xbest相比较,留下适应度更优的那个个体。倘若个体Xbest的适应度更优,则直接返回,进入下一次的迭代过程;反之,倘若个体Xcbest的适应度更优,则用个体Xcbest的适应度值取代当前的最佳适应度值,然后让个体Xcbest取代种群中随意一个个体而进入下一次的迭代。
具体的k次混合搜索方式可以描述如下:
首先,求出k个混合序列;
然后,在Xbest周围进行混合搜索;
其中x′k是在空间[0,1]上取值的,因此所得的结果均大于0,λ是调节算子,通过它可以引导xk朝着正、负两个方向取值.
混合差分进化算法的步骤可以描述如下:
步骤1:初始化种群以及参数;人为设置种群规模NP、缩放因子F以及交叉概率CR的值,最大迭代次数为MaxTimes,D代表问题的空间维数,和/>分别代表了作为第j个分量的xi可能达到的最小值和最大值,j=1,2,…,D;
其中,i∈{1,2,...,NP},rand(0,1)是一个在区间(0,1)上服从均匀分布的随机数;
步骤2:根据事先定义好的适应函数f(x)的计算公式,计算出种群中每一个个体所对应的适应度值;找出适应度最佳的那个个体,称为Xbest,记录最佳适应度值为fbest;f(x)是最小化问题的目标函数(适应度函数);
步骤3:进行变异操作,得到变异个体Vi,G;
步骤4:进行交叉操作,得到试验个体Ui,G;
步骤5:进行选择操作,得到进入下一代的个体Xi,G+1;
步骤6:把试验个体Ui,G的适应度值与最佳适应度值fbest相比较,如果,f(Ui,G)的值优于fbest,那么,最佳个体Xbest由Ui,G代替,最佳适应度fbest的值由,f(Ui,G)的值替换,重复步骤1至步骤6,直到当前最佳的适应度;
步骤7:在Xbest周围进行k次混合搜索,设置各类参数,1x'=rand(0,1),即为区间(0,1)上服从均匀分布的随机数,并且1x'≠0.25,0.5,0.75;
步骤8:求出Xk的值;
步骤9:计算Xk的适应度值,并从中选出适应度最好的个体,称为Xcbest;
步骤10:把Xcbest的适应度值与最佳适应度值fbest相比较,如果f(Xcbest)优于fbest,那么,最佳适应度fbest的值由f(Xcbest)的值替换,并且随机在种群中选择一个个体由Xcbest来替代,并进入下一代;
步骤11:如果当前的迭代次数达到预先设定的最大迭代次数MaxTimes时,算法终止;否则重复执行步骤3至步骤10,直至满足算法终止条件。
算法全局搜索能力较好,但是局部搜索能力欠缺,QPSO算法将不可避免的陷入局部最优;另一方面,DE算法的全局搜索能力有待增强。为了提高QPSO算法以及DE算法的算法性能,得到一个新的算法在第一阶段采用QPSO算法对种群中的个体进行更新,在第二阶段实行DE算法中的变异、交叉以及选择操作,对种群中的个体进行优化选取。
QPSO-DE优化算法中变异操作的基本思想,即变异个体向量的获得方式,可以描述如下:
首先,对第一阶段中利用QPSO算法获得的个体最优解所在集合中的个体进行两两做差的操作;接着,对所得到的各个差分向量进行缩放操作,并进行加权求和;最后,把加权求和的结果与第一阶段中利用QPSO算法获得的全局最优解进行向量的合成,这样就获得了新的变异个体向量。
其中,[δl1,δl2,…,δlD](l=1,2,…,N,D代表问题的空间维数)就是差分向量,记作Δi;δlj表示的就是差分向量Δj中的第j维的分量;
其中,r1l与r2l表示在区间[1,N]上的两个互不相等的随机整数,并且与在第一阶段利用QPSO算法所获得的全局最优解Pg的索引号的互不相同;Pr11以及Pr21是在第一阶段利用QPSO算法所获得的个体最优解中随机选取的两个个体最优解;j=1,2,…,D代表维数。对差分向量进行加权求和:
当N=1时,Δ(1)=Pr11-Pr11;
为方便计算在QPSO-DE算法中,将N设定为2来解决问题。
其中,r1、r2、r3以及r4是区间[1,NP](NP代表种群规模)上的四个两两互不相等的整数,并且都与当前的活动指标数i以及在第一阶段利用QPSO算法所获得的全局最优解Pg的索引号的互不相同。
接下来的步骤与标准DE算法相类似,要对变异个体和原个体进行交叉操作,从而得到试验个体向量。在标准DE算法中,试验个体向量Ui,G,是通过变异个体向量Vi,G以及原种群中的目标向量Xi,G交叉选择所得的;而在QPSO-DE算法中,试验个体向量Ui,G,是通过变异个体向量Vi,G以及第一阶段QPSO算法所得的个体最优解Pi,G交叉选择得到的,G=1,2,…,MaxTimes,表示当前的迭代次数。
其中,rand(j)表示在区间(0,1)上服从均匀分布的随机数,CR表示交叉概率,在区间[0,1]上取值,rand(i)为区间[1,D]上的一个随机整数,D表示问题的维数。
然后,进行选择操作,种群中每个个体向量均会产生一个试验个体向量,根据贪婪选择策略,比较试验个体Ui,G与目标向量Xi,G的适应度值,把适应度更优的个体选出来作为子代,进入下一次循环,成为新的个体:
其中,Xi,G+1为下一代种群的第i个个体,f为事先定义的适应度函数。即,f(x)是最小化问题的目标函数(适应度函数)。
把QPSO算法与DE算法混合起来,使得每次进入下一次迭代的个体粒子要么比原本更新后的个体更优,要么保持原来的个体粒子不变;即新算法的性能优于原来的QPSO算法,从理论上来讲,即使在最差的情况下,QPSO-DE算法的寻优性能也会与原来的QPSO算法保持一致。
QPSO-DE算法的具体步骤如下:
步骤一:随机初始化种群,以及设置各类参数值,并直接给当前各个粒子最佳位置以及全局最佳位置赋值;
步骤二:计算平均最优解mbest(G)的值,根据QPSO算法对种群进行更新;
步骤三:根据事先定义好的目标函数f(x)的计算公式,计算出每一个粒子所对应的目标函数值,即适应度值;
步骤四:对每一个粒子的局部最佳位置进行更新,即局部最小化;
步骤六:对种群中的每一个个体向量进行变异操作,得到变异个体向量Vi,G;
步骤七:对步骤六所得的变异个体Vi,G和个体最佳值Pi,G进行交叉操作,得到试验个体向量Ui,G;
步骤八:对试验个体Ui,G和目标向量Xi,G进行选择操作,得到进入下一代的个体Xi,G+1,对整个种群进行更新;
步骤九:根据事先定义好的目标函数f(x)的计算公式,对更新后的种群重新进行计算,计算出每一个个体粒子所对应的适应值;f(x)是最小化问题的目标函数(适应度函数);
步骤十:重复执行步骤二至步骤九,直至当前的迭代次数达到预先设定的最大迭代次数MaxTimes时终止;
步骤十一:通过优化后的支持向量机的参数得到优化后的支持向量机,将优化后的支持向量机作为寻优预测水质溶氧模型。
本公开的实施例提供的一种基于混合QPSO-DE寻优预测水质溶氧系统,如图2所示为本公开的一种基于混合QPSO-DE寻优预测水质溶氧系统结构图,该实施例的一种基于混合QPSO-DE寻优预测水质溶氧系统包括:处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述一种基于混合QPSO-DE寻优预测水质溶氧系统实施例中的步骤。
所述系统包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序运行在以下系统的单元中:
溶解氧数据采集单元,用于采集溶解氧数据组成原始数据集;
特征提取单元,用于将原始数据集进行特征提取,得到特征向量;
训练数据单元,用于将特征向量设置为训练数据集;
支持向量机优化单元,用于利用QPSO-DE算法来优化设计支持向量机的参数,并将优化设计得到的支持向量机设置为寻优预测水质溶氧模型;
原始数据输入单元,用于输入原始数据集到寻优预测水质溶氧模型;
预测数据单元,用于得到水质溶氧预测数据。
所述一种基于混合QPSO-DE寻优预测水质溶氧系统可以运行于桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备中。所述一种基于混合QPSO-DE寻优预测水质溶氧系统,可运行的系统可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,所述例子仅仅是一种基于混合QPSO-DE寻优预测水质溶氧系统的示例,并不构成对一种基于混合QPSO-DE寻优预测水质溶氧系统的限定,可以包括比例子更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述一种基于混合QPSO-DE寻优预测水质溶氧系统还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(CentralProcessingUnit,CPU),还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor,DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、现场可编程门阵列(Field-ProgrammableGateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述一种基于混合QPSO-DE寻优预测水质溶氧系统运行系统的控制中心,利用各种接口和线路连接整个一种基于混合QPSO-DE寻优预测水质溶氧系统可运行系统的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述一种基于混合QPSO-DE寻优预测水质溶氧系统的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(SmartMediaCard,SMC),安全数字(SecureDigital,SD)卡,闪存卡(FlashCard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
尽管本公开的描述已经相当详尽且特别对几个所述实施例进行了描述,但其并非旨在局限于任何这些细节或实施例或任何特殊实施例,而是应当将其视作是通过参考所附权利要求考虑到现有技术为这些权利要求提供广义的可能性解释,从而有效地涵盖本公开的预定范围。此外,上文以发明人可预见的实施例对本公开进行描述,其目的是为了提供有用的描述,而那些目前尚未预见的对本公开的非实质性改动仍可代表本公开的等效改动。
Claims (4)
1.一种基于混合QPSO-DE寻优预测水质溶氧方法,其特征在于,所述方法包括以下步骤:
S001,采集溶解氧数据组成原始数据集;
S002,将原始数据集进行特征提取,得到特征向量;
S003,将特征向量设置为训练数据集;
S004,利用QPSO-DE算法来优化设计支持向量机的参数,并将优化设计得到的支持向量机设置为寻优预测水质溶氧模型;
S005,输入原始数据集到寻优预测水质溶氧模型;
S006,得到水质溶氧预测数据;
在S004中,利用QPSO-DE算法来优化设计支持向量机的参数,并将优化设计得到的支持向量机设置为寻优预测水质溶氧模型的方法为:
步骤一:随机初始化种群,以及设置各类参数值,并直接给当前各个粒子最佳位置以及全局最佳位置赋值;
步骤二:计算平均最优解mbest(G)的值,根据QPSO算法对种群进行更新;
步骤三:根据事先定义好的目标函数f(x)的计算公式,计算出每一个粒子所对应的目标函数值,即适应度值;
步骤四:对每一个粒子的局部最佳位置进行更新,即局部最小化;
步骤六:对种群中的每一个个体向量进行变异操作,得到变异个体向量Vi,G;
步骤七:对步骤六所得的变异个体Vi,G和个体最佳值Pi,G进行交叉操作,得到试验个体向量Ui,G;
步骤八:对试验个体Ui,G和目标向量Xi,G进行选择操作,得到进入下一代的个体Xi,G+1,对整个种群进行更新;
步骤九:根据事先定义好的目标函数f(x)的计算公式,对更新后的种群重新进行计算,计算出每一个个体粒子所对应的适应值;
步骤十:重复执行步骤二至步骤九,直至当前的迭代次数达到预先设定的最大迭代次数MaxTimes时终止;
步骤十一:通过优化后的支持向量机的参数得到优化后的支持向量机,将优化后的支持向量机作为寻优预测水质溶氧模型;
在步骤六中,对种群中的每一个个体向量进行变异操作的方法为:
首先,对第一阶段中利用QPSO算法获得的个体最优解所在集合中的个体进行两两做差的操作;接着,对所得到的各个差分向量进行缩放操作,并进行加权求和;最后,把加权求和的结果与第一阶段中利用QPSO算法获得的全局最优解进行向量的合成,这样就获得了新的变异个体向量;
对差分向量进行加权求和:
当N=1时,α(1)=Pr11-Pr11
其中,r1l与r2l表示在区间[1,N]上的两个互不相等的随机整数,并且与在第一阶段利用QPSO算法所获得的全局最优解Pg的索引号的互不相同;Pr11以及Pr21是在第一阶段利用QPSO算法所获得的个体最优解中随机选取的两个个体最优解;j=1,2,…,D代表维数。
2.根据权利要求1所述的一种基于混合QPSO-DE寻优预测水质溶氧方法,其特征在于,将N设定为2;r1、r2、r3以及r4是区间[1,NP]上的四个两两互不相等的整数,并且都与当前的活动指标数i以及在第一阶段利用QPSO算法所获得的全局最优解Pg的索引号的互不相同;对变异个体和原个体进行交叉操作,从而得到试验个体向量;通过标准DE算法,试验个体向量Ui,G,是通过变异个体向量Vi,G以及原种群中的目标向量Xi,G交叉选择所得的;而在QPSO-DE算法中,试验个体向量Ui,G,是通过变异个体向量Vi,G以及第一阶段QPSO算法所得的个体最优解Pi,G交叉选择得到的,G=1,2,…,MaxTimes,表示当前的迭代次数;其中,rand(j)表示在区间(0,1)上服从均匀分布的随机数,CR表示交叉概率,在区间[0,1]上取值,D表示问题的维数。
3.根据权利要求2所述的一种基于混合QPSO-DE寻优预测水质溶氧方法,其特征在于,进行选择操作,种群中每个个体向量均产生一个试验个体向量,根据贪婪选择策略,比较试验个体Ui,G与目标向量Xi,G的适应度值,把适应度更优的个体选出来作为子代,进入下一次循环,成为新的个体:其中,Xi,G+1为下一代种群的第i个个体,f为事先定义的适应度函数。
4.一种基于混合QPSO-DE寻优预测水质溶氧系统,其特征在于,所述系统包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序运行在以下系统的单元中:
溶解氧数据采集单元,用于采集溶解氧数据组成原始数据集;
特征提取单元,用于将原始数据集进行特征提取,得到特征向量;
训练数据单元,用于将特征向量设置为训练数据集;
支持向量机优化单元,用于利用QPSO-DE算法来优化设计支持向量机的参数,并将优化设计得到的支持向量机设置为寻优预测水质溶氧模型;
原始数据输入单元,用于输入原始数据集到寻优预测水质溶氧模型;
预测数据单元,用于得到水质溶氧预测数据;
利用QPSO-DE算法来优化设计支持向量机的参数,并将优化设计得到的支持向量机设置为寻优预测水质溶氧模型的方法为:
步骤一:随机初始化种群,以及设置各类参数值,并直接给当前各个粒子最佳位置以及全局最佳位置赋值;
步骤二:计算平均最优解mbest(G)的值,根据QPSO算法对种群进行更新;
步骤三:根据事先定义好的目标函数f(x)的计算公式,计算出每一个粒子所对应的目标函数值,即适应度值;
步骤四:对每一个粒子的局部最佳位置进行更新,即局部最小化;
步骤六:对种群中的每一个个体向量进行变异操作,得到变异个体向量Vi,G;
步骤七:对步骤六所得的变异个体Vi,G和个体最佳值Pi,G进行交叉操作,得到试验个体向量Ui,G;
步骤八:对试验个体Ui,G和目标向量Xi,G进行选择操作,得到进入下一代的个体Xi,G+1,对整个种群进行更新;
步骤九:根据事先定义好的目标函数f(x)的计算公式,对更新后的种群重新进行计算,计算出每一个个体粒子所对应的适应值;
步骤十:重复执行步骤二至步骤九,直至当前的迭代次数达到预先设定的最大迭代次数MaxTimes时终止;
步骤十一:通过优化后的支持向量机的参数得到优化后的支持向量机,将优化后的支持向量机作为寻优预测水质溶氧模型;
在步骤六中,对种群中的每一个个体向量进行变异操作的方法为:
首先,对第一阶段中利用QPSO算法获得的个体最优解所在集合中的个体进行两两做差的操作;接着,对所得到的各个差分向量进行缩放操作,并进行加权求和;最后,把加权求和的结果与第一阶段中利用QPSO算法获得的全局最优解进行向量的合成,这样就获得了新的变异个体向量;
对差分向量进行加权求和:
当N=1时,α(1)=Pr11-Pr11
其中,r1l与r2l表示在区间[1,N]上的两个互不相等的随机整数,并且与在第一阶段利用QPSO算法所获得的全局最优解Pg的索引号的互不相同;Pr11以及Pr21是在第一阶段利用QPSO算法所获得的个体最优解中随机选取的两个个体最优解;j=1,2,…,D代表维数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911113195.XA CN111079888B (zh) | 2019-11-14 | 2019-11-14 | 一种基于混合qpso-de寻优预测水质溶氧方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911113195.XA CN111079888B (zh) | 2019-11-14 | 2019-11-14 | 一种基于混合qpso-de寻优预测水质溶氧方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111079888A CN111079888A (zh) | 2020-04-28 |
CN111079888B true CN111079888B (zh) | 2023-06-02 |
Family
ID=70310973
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911113195.XA Active CN111079888B (zh) | 2019-11-14 | 2019-11-14 | 一种基于混合qpso-de寻优预测水质溶氧方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111079888B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111479218B (zh) * | 2020-05-09 | 2022-09-06 | 上海海事大学 | 一种基于dqpso算法的定位性能优化方法 |
CN112990343B (zh) * | 2020-12-14 | 2023-04-07 | 四川轻化工大学 | 一种基于人工智能算法的水环境质量评价方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104899431A (zh) * | 2015-05-19 | 2015-09-09 | 上海大学 | 基于蚁群和粒子群集成的lssvm脉动风速预测方法 |
CN108121999A (zh) * | 2017-12-10 | 2018-06-05 | 北京工业大学 | 基于混合蝙蝠算法的支持向量机参数选择方法 |
CN108846526A (zh) * | 2018-08-08 | 2018-11-20 | 华北电力大学 | 一种二氧化碳排放量预测方法 |
-
2019
- 2019-11-14 CN CN201911113195.XA patent/CN111079888B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104899431A (zh) * | 2015-05-19 | 2015-09-09 | 上海大学 | 基于蚁群和粒子群集成的lssvm脉动风速预测方法 |
CN108121999A (zh) * | 2017-12-10 | 2018-06-05 | 北京工业大学 | 基于混合蝙蝠算法的支持向量机参数选择方法 |
CN108846526A (zh) * | 2018-08-08 | 2018-11-20 | 华北电力大学 | 一种二氧化碳排放量预测方法 |
Non-Patent Citations (1)
Title |
---|
林凯 ; 陈国初 ; .粒式搜索者算法优化的SVM短期风电功率预测.自动化仪表.2018,(03),第12-16页. * |
Also Published As
Publication number | Publication date |
---|---|
CN111079888A (zh) | 2020-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gupta et al. | Landscape synergy in evolutionary multitasking | |
CN108389211B (zh) | 基于改进鲸鱼优化模糊聚类的图像分割方法 | |
Sun et al. | Automatically evolving cnn architectures based on blocks | |
CN111079888B (zh) | 一种基于混合qpso-de寻优预测水质溶氧方法及系统 | |
CN107330902B (zh) | 基于Arnold变换的混沌遗传BP神经网络图像分割方法 | |
CN110163262A (zh) | 模型训练方法、业务处理方法、装置、终端及存储介质 | |
CN112488283A (zh) | 一种改进的多目标灰狼优化算法 | |
CN112348168B (zh) | 考虑数据缺失和特征冗余的超短期负荷预测方法及系统 | |
Ruan et al. | A new multi-function global particle swarm optimization | |
Jiang et al. | Multi-learner based deep meta-learning for few-shot medical image classification | |
CN114912673A (zh) | 一种基于鲸鱼优化算法和长短时记忆网络的水位预测方法 | |
Lu et al. | An improved multi-objective bacteria colony chemotaxis algorithm and convergence analysis | |
CN114241234A (zh) | 细粒度图像分类方法、装置、设备及介质 | |
CN111445024B (zh) | 一种医学影像识别训练方法 | |
CN112733301A (zh) | 一种基于神经网络的六维力矩传感器重力补偿方法及系统 | |
CN115270921B (zh) | 基于组合预测模型的电力负载预测方法、系统及存储介质 | |
CN112580799B (zh) | 一种面向多核处理器的并发htm空间池设计方法 | |
Wan et al. | RSSM-Net: Remote sensing image scene classification based on multi-objective neural architecture search | |
Alves et al. | Optimizing neural architecture search using limited gpu time in a dynamic search space: a gene expression programming approach | |
Brester et al. | On island model performance for cooperative real-valued multi-objective genetic algorithms | |
Shang et al. | Evolutionary architecture search via adaptive parameter control and gene potential contribution | |
Vijay et al. | DV-PSO-Net: A novel deep mutual learning model with Heuristic search using Particle Swarm optimization for Mango leaf disease detection | |
Pavlič et al. | NiaNet: A framework for constructing Autoencoder architectures using nature-inspired algorithms | |
Sun et al. | Architecture Design for Plain CNNs | |
CN112287599B (zh) | 基于多步新奇度的时态序列迭代预测算法、介质和设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |