CN111931899A - 改进布谷鸟搜索算法优化极限学习机的网络流量预测方法 - Google Patents

改进布谷鸟搜索算法优化极限学习机的网络流量预测方法 Download PDF

Info

Publication number
CN111931899A
CN111931899A CN202010760059.6A CN202010760059A CN111931899A CN 111931899 A CN111931899 A CN 111931899A CN 202010760059 A CN202010760059 A CN 202010760059A CN 111931899 A CN111931899 A CN 111931899A
Authority
CN
China
Prior art keywords
parasitic
nest
search
learning machine
updating
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.)
Pending
Application number
CN202010760059.6A
Other languages
English (en)
Inventor
魏明
陈凤
姚全锋
余晗
胡小飞
叶志伟
王春枝
李振国
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hubei University of Technology
Fiberhome Telecommunication Technologies Co Ltd
Wuhan Fiberhome Technical Services Co Ltd
Original Assignee
Hubei University of Technology
Fiberhome Telecommunication Technologies Co Ltd
Wuhan Fiberhome Technical Services Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hubei University of Technology, Fiberhome Telecommunication Technologies Co Ltd, Wuhan Fiberhome Technical Services Co Ltd filed Critical Hubei University of Technology
Priority to CN202010760059.6A priority Critical patent/CN111931899A/zh
Publication of CN111931899A publication Critical patent/CN111931899A/zh
Pending legal-status Critical Current

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种改进布谷鸟搜索算法优化极限学习机的网络流量预测方法，涉及智能计算技术领域，本发明提供的改进布谷鸟搜索算法优化极限学习机的网络流量预测方法，采用实数编码表示每个寄生巢，采用snap‑drift布谷鸟搜索算法对极限学习机进行参数优化，实现预测误差更小，预测时间更短。本发明执行snap‑drift布谷鸟搜索算法给鸟蛋分配解、拒不搜索、概率搜索选择最差寄生巢、全局搜索、更新Pm和更新Pa等操作，可知算法寻优能力强，计算复杂度低，计算速度快，收敛速度快，能够进行全局搜索，有跳出局部最优解的能力。

Description

改进布谷鸟搜索算法优化极限学习机的网络流量预测方法
技术领域
本发明涉及智能计算技术领域，具体涉及一种改进布谷鸟搜索算法优化极限学习机的网络流量预测方法。
背景技术
伴随着物联网、泛在网络等概念的提出，下一代互联网骨干网各节点之间、局域网各节点之间的网络流量数据将呈现大幅度增长，互联网流量即将迈入大数据时代。在大数据流量背景下，网络业务类别的急剧增加导致网络流量性质发生改变，传统的流量模型已不适用于当今乃至下一代互联网流量的分析与预测，因此对智能网络流量预测的研究势在必行。ELM(Extreme Learning Machine，极限学习机)是人工智能神经网络的一种，具有结构简单、训练速度快、调节参数少和泛化能力强等优点，并且有极强的非线性逼近能力，作为BP神经网络的改进，克服了BP神经网络需要设置大量的网络训练参数的缺陷，并且容易产生局部最优解的问题，因此可以用于刻画影响短期电力负荷预测的非线性相关因素演变，目前已广泛应用于变压器顶部油温预测、雾霾预测、月降雨量和热带气候预测、湍流地球物理流量、土壤湿度预测、风电预测、流量预测等场合。
但是在实际应用中，由于其部分网络权值是随机初始化的，每次初始化后得出的模型预测结果不同。从而导致极限学习机网络的预测时间较长，且不能保证其预测稳定性和精度。
发明内容
针对现有技术中存在的缺陷，本发明的目的在于提供一种改进布谷鸟搜索算法优化极限学习机的网络流量预测方法，提高极限学习机的网络流量预测准确率。
为达到以上目的，本发明采取的技术方案是：一种改进布谷鸟搜索算法优化极限学习机的网络流量预测方法，包括以下步骤：
获取初选集合，所述初选集合包括多个寄生巢，所述寄生巢指的是巢里面的鸟蛋，每个所述寄生巢的鸟蛋表示极限学习机的一组初始权值和阈值；
计算每个寄生巢的适应度值，所述适应度值为极限学习机的最小预测误差，将当前种群中适应度值最优的寄生巢保留至下一代；
通过变量J选择不同的更新算子对当前每个寄生巢中的鸟蛋进行更新求解；
进行局部搜索，将改进的寄生巢的数量保存在变量Se中；基于概率Pa选择最差的寄生巢；
进行全局搜索，在变量Se中保存改进的寄生巢的数量；
根据局部搜索、全局搜索后更新的解的数量Se调整性能指标pm；
根据pm判断使用snap模式或drift模式计算pa的值；
判断更新次数是否达到迭代次数，若是，根据更新后的适应度值最小的寄生巢的位置确定所述极限学习机的最优初始权值和阈值；若否，返回继续寻找适应度值最小的寄生巢。
在上述技术方案的基础上，在所述获取初选集合之前，还包括以下步骤：
对每个寄生巢进行编码，对于一个包含M个寄生巢的种群，其种群规模即为M，每个寄生巢的维度即编码长度为D；
则每寄生巢xi表示为(xi1,xi2,...,xiD)(i＝1，2，...，M)；
其中，D维空间中的寄生巢用一个M×D矩阵xM×D表示，分量xij表示第i个寄生巢的第j维的决策值，每个寄生巢代表一组灰色神经网的权值和阈值。
在上述技术方案的基础上，所述计算每个寄生巢的适应度值，具体包括：
根据适应度函数公式计算每个所述寄生巢的适应度值，所述适应度函数公式为：
Figure BDA0002612821730000031
其中，ok为极限学习机第k个节点的实际输出，dk为极限学习机第k个节点的期望输出，q为网络的输出节点数，x代表其中一个个体。
在上述技术方案的基础上，所述通过变量J选择不同的更新算子对当前每个寄生巢中的鸟蛋进行更新求解，具体包括：
判断所述均匀分布的随机数p是否小于基于概率的变量J；若是则根据鸟蛋自身的信息和莱维飞行策略来发现新的解，即根据公式(2)进行更新；若否，则判断所述均匀分布的随机数p是否小于1减去基于概率的变量J；若是，则搜索自身周围区域和莱维飞行策略来搜索空间中xij所在位置，即根据公式(3)进行更新；若否，则使用信息共享策略和莱维飞行策略进行更新，即根据公式(4)进行更新；
Figure BDA0002612821730000032
Figure BDA0002612821730000033
Figure BDA0002612821730000041
其中，
Figure BDA0002612821730000042
表示点对点乘法，β是莱维飞行指数，a0是步长比例因子，
Figure BDA0002612821730000043
和
Figure BDA0002612821730000044
是随机选择的两个不同解。
在上述技术方案的基础上，所述莱维飞行策略，其基本公式为：
Figure BDA0002612821730000045
Figure BDA0002612821730000046
Figure BDA0002612821730000047
a>0为步长参数，与所考虑问题的尺度成比例；u和v的服从均值和方差为0正态分布，其中G为标准的Gamma函数，如式(8)所示：
Figure BDA0002612821730000048
在上述技术方案的基础上，所述进行局部搜索，具体包括：
计算当前更新后的每个寄生巢的适应度值，求得局部最小值。
在上述技术方案的基础上，所述基于概率Pa选择最差的寄生巢，具体包括：
判断所述均匀分布的随机数p是否小于基于概率的变量J；若是则使用信息共享策略进行更新，即根据公式(9)进行更新；若否，则判断所述均匀分布的随机数p是否小于1减去基于概率的变量J；若是则搜索自身周围区域并吸引其到搜索空间中xij所在位置，即根据公式(10)进行更新；若否，则根据鸟蛋自身的信息来进行更新，即根据公式(11)进行更新；
Figure BDA0002612821730000049
Figure BDA00026128217300000410
Figure BDA0002612821730000051
在上述技术方案的基础上，所述根据局部搜索、全局搜索后更新的解的数量Se调整性能指标pm，具体包括：
Pm＝Se/(2*n) (12)。
在上述技术方案的基础上，所述根据pm判断使用snap模式或drift模式计算pa的值，具体包括：
使用性能度量pm作为控制参数，决定性能增强或保持不变时是继续使用drift模式搜索，或切换到snap模式，并通过式(13)更新pa：
Figure BDA0002612821730000052
Figure BDA0002612821730000053
其中，±ω是用来增加或减少pa的速率；
判断所述Pm是否小于0.5；若是，则使用snap模式，Pa取更小的值；若否，则使用drift模式，Pa取更大的值。
在上述技术方案的基础上，所述根据更新后的适应度值最小的寄生巢的位置确定所述极限学习机的最优初始权值和阈值之后，还包括以下步骤：
将更新后的适应度值最小的寄生巢对应的最优初始权值和阈值，作为极限学习机的初始连接权值和阈值进行训练；
设置隐含层节点数，使用训练样本训练ELM模型，计算网络误差，计算网络预测输出和期望输出的误差；
调整网络权值，根据各层之间的误差，调整各层之间的连接权值和阈值；
使用测试样本测试网络；
计算测试误差及效果评价。
与现有技术相比，本发明的优点在于：
本发明提供一种改进布谷鸟搜索算法优化极限学习机的网络流量预测方法，采用实数编码表示每个寄生巢，采用snap-drift布谷鸟搜索算法对极限学习机进行参数优化，实现预测误差更小，预测时间更短。网管人员可以依据更高预测精度的预测结果采取相应措施避免故障发生，减小网络故障带来的破坏，增强网络的可生存性，降低维护成本。本发明执行snap-drift布谷鸟搜索算法给鸟蛋分配解、拒不搜索、概率搜索选择最差寄生巢、全局搜索、更新Pm和更新Pa等操作，可知算法寻优能力强，计算复杂度低，计算速度快，收敛速度快，能够进行全局搜索，有跳出局部最优解的能力。
附图说明
图1为本发明实施例的改进布谷鸟搜索算法优化极限学习机的网络流量预测方法的流程图；
图2为本发明实施例的改进布谷鸟搜索算法优化极限学习机的极限学习机测试的流程图。
具体实施方式
以下结合附图对本发明的实施例作进一步详细说明。
本发明实施例提供一种改进布谷鸟搜索算法优化极限学习机的网络流量预测方法，包括以下步骤：
获取初选集合，所述初选集合包括多个寄生巢，所述寄生巢指的是巢里面的鸟蛋，每个所述寄生巢的鸟蛋表示极限学习机的一组初始权值和阈值；
计算每个寄生巢的适应度值，所述适应度值为极限学习机的最小预测误差，将当前种群中适应度值最优的寄生巢保留至下一代；
通过变量J选择不同的更新算子对当前每个寄生巢中的鸟蛋进行更新求解；
进行局部搜索，将改进的寄生巢的数量保存在变量Se中；基于概率Pa选择最差的寄生巢；
进行全局搜索，在变量Se中保存改进的寄生巢的数量；
根据局部搜索、全局搜索后更新的解的数量Se调整性能指标；
根据判断使用snap模式或drift模式计算pa的值；
判断更新次数是否达到迭代次数，若是，根据更新后的适应度值最小的寄生巢的位置确定所述极限学习机的最优初始权值和阈值；若否，返回继续寻找适应度值最小的寄生巢。
图1为本发明实施例的改进布谷鸟搜索算法优化极限学习机的网络流量预测方法的流程图，如图1所示，包括以下步骤：
步骤101：获取初选集合，所述初选集合包括多个寄生巢，所述寄生巢指的是巢里面的鸟蛋，每个所述寄生巢的鸟蛋表示极限学习机的一组初始权值和阈值，将其带入到极限学习机便可得改进后的极限学习机模型；
可选的，在所述获取初选集合之前还包括：
对每个寄生巢进行编码：对于一个包含M个寄生巢，种群规模即为n，每个寄生巢的维度即编码长度为D，，则每寄生巢xi表示为(xi1,xi2,...,xiD)(i＝1，2，...，M)，其中，D维空间中的寄生巢可用一个M×D矩阵xM×D表示，分量xij表示第i个寄生巢的第j维的决策值，则每个寄生巢个体代表一组灰色神经网了的权值和阈值，将权值和阈值运用到极限学习机中，即极限学习机的预测模型就确定下来了。
步骤102：计算每个寄生巢的适应度值，根据适应度值对每个寄生巢进行评价，将当前种群中最好的寄生巢保留至下一代；所述适应度值为极限学习机的最小预测误差。适应度函数公式为：
Figure BDA0002612821730000081
其中，ok为极限学习机第k个节点的实际输出，dk为极限学习机第k个节点的期望输出，q为网络的输出节点数，x代表每一个个体。根据误差E(x)不断调节各个节点之间的权值和阈值对极限学习机进行训练，以达到寻找最优一组权值和阈值的目的。
步骤103：则通过变量J选择不同的更新算子对当前每个寄生巢中的鸟蛋进行更新求解；
判断所述均匀分布的随机数p是否小于基于概率的变量J；若是则根据鸟蛋自身的信息和莱维飞行策略来发现新的解，即根据公式(2)进行更新；若否，则判断所述均匀分布的随机数p是否小于(1－基于概率的变量J)；若是则搜索自身周围区域和莱维飞行策略来搜索空间中xij所在位置，即根据公式(3)进行更新；若否，则使用信息共享策略和莱维飞行策略进行更新，即根据公式(4)进行更新。
Figure BDA0002612821730000082
Figure BDA0002612821730000083
Figure BDA0002612821730000084
其中，
Figure BDA0002612821730000087
表示点对点乘法，β是莱维飞行指数，a0是步长比例因子，
Figure BDA0002612821730000085
和
Figure BDA0002612821730000086
是随机选择的两个不同解。其中莱维飞行基本公式为：
Figure BDA0002612821730000091
Figure BDA0002612821730000092
Figure BDA0002612821730000093
b>0为步长参数，它与所考虑问题的尺度成比例。u和v的服从均值和方差为0正态分布，其中G为标准的Gamma函数。如式(8)所示：
Figure BDA0002612821730000094
步骤104：局部搜索，随机选择一个寄生巢并使用莱维飞行和新合并的信息共享算子，接下来，将改进解的个数保存在变量Se中；
步骤105：基于概率Pa来选择最差的寄生巢；
判断所述均匀分布的随机数p是否小于基于概率的变量J；若是则使用信息共享策略进行更新，即根据公式(9)进行更新；若否，则判断所述均匀分布的随机数p是否小于(1－基于概率的变量J)；若是则搜索自身周围区域并吸引其到搜索空间中xij所在位置，即根据公式(10)进行更新；若否，则根据鸟蛋自身的信息来进行更新，即根据公式(11)进行更新。
Figure BDA0002612821730000095
Figure BDA0002612821730000096
Figure BDA0002612821730000097
步骤106：全局搜索，对于每个废弃的寄生巢，使用简单的随机游走算法和新的合并信息共享算子更新寄生巢，接下来，在变量Se中保存改进的寄生巢的数量；
步骤107：使用经过局部和全局搜索后根据更新的解的数量Se调整性能指标pm；
Pm＝Se/(2*n) (12)
步骤108：根据pm判断使用snap模式或drift模式计算pa的值；
SDCS使用性能度量pm作为控制参数，决定性能增强(或保持不变)时是否继续使用drift模式搜索，或切换到其他搜索模式以提高搜索能力。因此，性能度量pm为提出的算法找到搜索模式之间的平衡点提供了必要的条件。考虑到上述事实，SDCS通过式(13)更新pa:
Figure BDA0002612821730000101
Figure BDA0002612821730000102
其中，±ω是用来增加(或减少)pa的速率。当SDCS性能较差时，选择snap模式，pa取较小的值。否则，选择drift模式，pa取较大的值。
步骤109：判断更新次数是否小于所述迭代次数；
若是，则返回步骤103；若否，则去到步骤110；
步骤110：找到当前最佳适应度值，即极限学习机最优初始权值和阈值。
如图2所示，找到当前最佳适应度值后，还包括以下步骤：
步骤111：根据更新后的适应度值最小的寄生巢即最优权值和阈值，将其作为极限学习机的初始连接权值和阈值进行训练，即开始计算每一层的输出。
步骤112：设置隐含层节点数，使用训练样本训练ELM模型，计算网络误差，计算网络预测输出和期望输出的误差；
步骤113：调整网络权值，根据各层之间的误差，调整各层之间的连接权值和阈值；
步骤114：使用测试样本测试网络；
步骤115：计算测试误差及效果评价。
本发明实施例采用的Snap-Drift布谷鸟搜索算法(snap-drift cuckoo search，SDCS)，CS结合了采用莱维飞行的布谷鸟专性育雏寄生的思想来求解优化问题。参考探索-开发平衡的最优收缩定理，从而找到上述问题的较优的解。即最优优化器应该考虑关于当前问题的最有用的信息。采用基于积累信息的适应度函数来调节一个权衡，引入了一种新的CS变体，即snap-drift布谷鸟搜索(snap-drift CS，SDCS)，通过学习技术周期性地获取问题的适应度函数信息，从而优化问题的寻优搜索行为。事实上，此算法使用了一种强化学习的形式，在两种snap和drift模式之间进行切换。在snap模式下，SDCS增强了全局搜索能力，以缓解早熟收敛问题。在drift模式下，局部搜索的概率增加，以提高收敛速度。SDCS使用了一种概率适应；其中，算法性能随着被适应的概率的提高而降低。为此，SDCS推出了新的搜索，分别增强了snap和drift模式下的全局和局部搜索能力，能够跳出局部最优，从而达到全局搜索的目的，并且该算法的计算速度也很快。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种改进布谷鸟搜索算法优化极限学习机的网络流量预测方法，其特征在于，包括以下步骤：
获取初选集合，所述初选集合包括多个寄生巢，所述寄生巢指的是巢里面的鸟蛋，每个所述寄生巢的鸟蛋表示极限学习机的一组初始权值和阈值；
计算每个寄生巢的适应度值，所述适应度值为极限学习机的最小预测误差，将当前种群中适应度值最优的寄生巢保留至下一代；
通过变量J选择不同的更新算子对当前每个寄生巢中的鸟蛋进行更新求解；
进行局部搜索，将改进的寄生巢的数量保存在变量Se中；基于概率Pa选择最差的寄生巢；
进行全局搜索，在变量Se中保存改进的寄生巢的数量；
根据局部搜索、全局搜索后更新的解的数量Se调整性能指标pm；
根据pm判断使用snap模式或drift模式计算pa的值；
判断更新次数是否达到迭代次数，若是，根据更新后的适应度值最小的寄生巢的位置确定所述极限学习机的最优初始权值和阈值；若否，返回继续寻找适应度值最小的寄生巢。
2.如权利要求1所述的方法，其特征在于，在所述获取初选集合之前，还包括以下步骤：
对每个寄生巢进行编码，对于一个包含M个寄生巢的种群，其种群规模即为M，每个寄生巢的维度即编码长度为D；
则每寄生巢xi表示为(xi1,xi2,...,xiD)(i＝1，2，...，M)；
其中，D维空间中的寄生巢用一个M×D矩阵xM×D表示，分量xij表示第i个寄生巢的第j维的决策值，每个寄生巢代表一组灰色神经网的权值和阈值。
3.如权利要求1所述的方法，其特征在于，所述计算每个寄生巢的适应度值，具体包括：
根据适应度函数公式计算每个所述寄生巢的适应度值，所述适应度函数公式为：
Figure FDA0002612821720000021
其中，ok为极限学习机第k个节点的实际输出，dk为极限学习机第k个节点的期望输出，q为网络的输出节点数，x代表其中一个个体。
4.如权利要求1所述的方法，其特征在于，所述通过变量J选择不同的更新算子对当前每个寄生巢中的鸟蛋进行更新求解，具体包括：
判断所述均匀分布的随机数p是否小于基于概率的变量J；若是则根据鸟蛋自身的信息和莱维飞行策略来发现新的解，即根据公式(2)进行更新；若否，则判断所述均匀分布的随机数p是否小于1减去基于概率的变量J；若是，则搜索自身周围区域和莱维飞行策略来搜索空间中xij所在位置，即根据公式(3)进行更新；若否，则使用信息共享策略和莱维飞行策略进行更新，即根据公式(4)进行更新；
Figure FDA0002612821720000022
Figure FDA0002612821720000023
Figure FDA0002612821720000024
其中，
Figure FDA0002612821720000031
表示点对点乘法，β是莱维飞行指数，a0是步长比例因子，
Figure FDA0002612821720000032
和
Figure FDA0002612821720000033
是随机选择的两个不同解。
5.如权利要求4所述的方法，其特征在于，
所述莱维飞行策略，其基本公式为：
Figure FDA0002612821720000034
Figure FDA0002612821720000035
Figure FDA0002612821720000036
a>0为步长参数，与所考虑问题的尺度成比例；u和v的服从均值和方差为0正态分布，其中G为标准的Gamma函数，如式(8)所示：
Figure FDA0002612821720000037
6.如权利要求1所述的方法，其特征在于，所述进行局部搜索，具体包括：
计算当前更新后的每个寄生巢的适应度值，求得局部最小值。
7.如权利要求1所述的方法，其特征在于，所述基于概率Pa选择最差的寄生巢，具体包括：
判断所述均匀分布的随机数p是否小于基于概率的变量J；若是则使用信息共享策略进行更新，即根据公式(9)进行更新；若否，则判断所述均匀分布的随机数p是否小于1减去基于概率的变量J；若是则搜索自身周围区域并吸引其到搜索空间中xij所在位置，即根据公式(10)进行更新；若否，则根据鸟蛋自身的信息来进行更新，即根据公式(11)进行更新；
Figure FDA0002612821720000038
Figure FDA0002612821720000041
Figure FDA0002612821720000042
8.如权利要求1所述的方法，其特征在于，
所述根据局部搜索、全局搜索后更新的解的数量Se调整性能指标pm，具体包括：
Pm＝Se/(2*n) (12)。
9.如权利要求1所述的方法，其特征在于，所述根据pm判断使用snap模式或drift模式计算pa的值，具体包括：
使用性能度量pm作为控制参数，决定性能增强或保持不变时是继续使用drift模式搜索，或切换到snap模式，并通过式(13)更新pa：
Figure FDA0002612821720000043
Figure FDA0002612821720000044
其中，±ω是用来增加或减少pa的速率；
判断所述Pm是否小于0.5；若是，则使用snap模式，Pa取更小的值；若否，则使用drift模式，Pa取更大的值。
10.如权利要求1所述的方法，其特征在于，所述根据更新后的适应度值最小的寄生巢的位置确定所述极限学习机的最优初始权值和阈值之后，还包括以下步骤：
将更新后的适应度值最小的寄生巢对应的最优初始权值和阈值，作为极限学习机的初始连接权值和阈值进行训练；
设置隐含层节点数，使用训练样本训练ELM模型，计算网络误差，计算网络预测输出和期望输出的误差；
调整网络权值，根据各层之间的误差，调整各层之间的连接权值和阈值；
使用测试样本测试网络；
计算测试误差及效果评价。
CN202010760059.6A 2020-07-31 2020-07-31 改进布谷鸟搜索算法优化极限学习机的网络流量预测方法 Pending CN111931899A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010760059.6A CN111931899A (zh) 2020-07-31 2020-07-31 改进布谷鸟搜索算法优化极限学习机的网络流量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010760059.6A CN111931899A (zh) 2020-07-31 2020-07-31 改进布谷鸟搜索算法优化极限学习机的网络流量预测方法

Publications (1)

Publication Number Publication Date
CN111931899A true CN111931899A (zh) 2020-11-13

Family

ID=73315095

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010760059.6A Pending CN111931899A (zh) 2020-07-31 2020-07-31 改进布谷鸟搜索算法优化极限学习机的网络流量预测方法

Country Status (1)

Country Link
CN (1) CN111931899A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112365067A (zh) * 2020-11-17 2021-02-12 湖北工业大学 一种snap-drift布谷鸟搜索算法优化灰色神经网络的预测方法
CN113341305A (zh) * 2021-05-12 2021-09-03 西安建筑科技大学 一种基于融合建模的模拟电路故障预测方法
CN113595798A (zh) * 2021-08-02 2021-11-02 湖北工业大学 改进闪电连接过程优化算法的网络流量预测方法及系统
CN114612240A (zh) * 2022-03-11 2022-06-10 刘星 基于核心算法和人工智能的股票舆情监测系统
CN116051591A (zh) * 2023-03-29 2023-05-02 长春工业大学 一种基于改进布谷鸟搜索算法的带钢图像阈值分割方法
CN117579500A (zh) * 2023-08-18 2024-02-20 湖北工业大学 一种网络流量预测方法、装置、设备及介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109800849A (zh) * 2018-12-13 2019-05-24 沈阳理工大学 动态布谷鸟搜索算法
CN110147890A (zh) * 2019-05-13 2019-08-20 湖北工业大学 一种基于狮群算法优化极限学习机集成学习的方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109800849A (zh) * 2018-12-13 2019-05-24 沈阳理工大学 动态布谷鸟搜索算法
CN110147890A (zh) * 2019-05-13 2019-08-20 湖北工业大学 一种基于狮群算法优化极限学习机集成学习的方法及系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
FENG CHEN ET AL.: "Research On Short-term Electric Load Forecast Based On Grey Neural Network and Snap-drift Cuckoo Search Algorithm", THE 10TH IEEE INTERNATIONAL CONFERENCE ON INTELLIGENT DATA ACQUISITION AND ADVANCED COMPUTING SYSTEMS: TECHNOLOGY AND APPLICATIONS, pages 2 - 3 *
P.MOHAPATRAN ET AL.: "An improved cuckoo search based extreme learning machine for medical data classification", SWARM AND EVOLUTIONARY COMPUTATION *
李新磊;: "改进布谷鸟算法优化极限学习机的网络入侵检测", 激光杂志, no. 01, pages 105 - 107 *
王琴;: "基于布谷鸟优化算法的加权极限学习机模型", 河南科技, no. 09 *
赵坤;覃锡忠;贾振红;: "采用改进的布谷鸟算法优化极限学习机", 计算机仿真, no. 11 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112365067A (zh) * 2020-11-17 2021-02-12 湖北工业大学 一种snap-drift布谷鸟搜索算法优化灰色神经网络的预测方法
CN113341305A (zh) * 2021-05-12 2021-09-03 西安建筑科技大学 一种基于融合建模的模拟电路故障预测方法
CN113595798A (zh) * 2021-08-02 2021-11-02 湖北工业大学 改进闪电连接过程优化算法的网络流量预测方法及系统
CN113595798B (zh) * 2021-08-02 2023-06-30 湖北工业大学 改进闪电连接过程优化算法的网络流量预测方法及系统
CN114612240A (zh) * 2022-03-11 2022-06-10 刘星 基于核心算法和人工智能的股票舆情监测系统
CN116051591A (zh) * 2023-03-29 2023-05-02 长春工业大学 一种基于改进布谷鸟搜索算法的带钢图像阈值分割方法
CN116051591B (zh) * 2023-03-29 2023-06-16 长春工业大学 一种基于改进布谷鸟搜索算法的带钢图像阈值分割方法
CN117579500A (zh) * 2023-08-18 2024-02-20 湖北工业大学 一种网络流量预测方法、装置、设备及介质
CN117579500B (zh) * 2023-08-18 2024-05-10 湖北工业大学 一种网络流量预测方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
CN111931899A (zh) 改进布谷鸟搜索算法优化极限学习机的网络流量预测方法
Khajavi et al. Predicting the carbon dioxide emission caused by road transport using a Random Forest (RF) model combined by Meta-Heuristic Algorithms
CN109754605B (zh) 一种基于注意力时态图卷积网络的交通预测方法
CN112561191B (zh) 预测模型的训练、预测方法、装置、设备、程序和介质
US10936940B2 (en) Arrangement and method for predicting road friction within a road network
CN109063903A (zh) 一种基于深度强化学习的建筑能耗预测方法及系统
CN108204944A (zh) 基于apso优化的lssvm的埋地管道腐蚀速率预测方法
CN112085143B (zh) 基于同化机制的混沌蚁群算法及Web服务组合优化方法
CN115115389B (zh) 一种基于价值细分和集成预测的快递客户流失预测方法
CN113469425B (zh) 深度交通拥堵预测方法
CN114595873B (zh) 一种基于灰色关联的da-lstm的短期电力负荷预测方法
CN112484732B (zh) 一种基于ib-abc算法的无人机飞行路径规划方法
CN111582541A (zh) 一种基于萤火虫算法的内涝模型预测方法
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
CN110097236A (zh) 一种基于FA优化Elman神经网络的短期负荷预测方法
CN114580762A (zh) 一种基于XGBoost的水文预报误差校正方法
CN112036651A (zh) 基于量子免疫优化bp神经网络算法的电价预测方法
CN116562514A (zh) 基于神经网络的企业生产状况即时分析方法及系统
CN114897204A (zh) 一种海上风电场短期风速预测方法和装置
CN114548350A (zh) 一种基于樽海鞘群和bp神经网络的电力负荷预测方法
CN117333034A (zh) 一种基于改进FA-K-means算法的配电网负荷集群划分方法
CN117874485A (zh) 一种基于概念-数据驱动耦合的洪水智能预报方法、系统、装置及介质
CN113516163A (zh) 基于网络剪枝的车辆分类模型压缩方法、装置及存储介质
CN112365067A (zh) 一种snap-drift布谷鸟搜索算法优化灰色神经网络的预测方法
CN116865232A (zh) 一种基于风速误差修正的中长期风电功率预测方法及系统

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