CN112365067A - 一种snap-drift布谷鸟搜索算法优化灰色神经网络的预测方法 - Google Patents

一种snap-drift布谷鸟搜索算法优化灰色神经网络的预测方法 Download PDF

Info

Publication number
CN112365067A
CN112365067A CN202011286723.4A CN202011286723A CN112365067A CN 112365067 A CN112365067 A CN 112365067A CN 202011286723 A CN202011286723 A CN 202011286723A CN 112365067 A CN112365067 A CN 112365067A
Authority
CN
China
Prior art keywords
parasitic
neural network
nest
updating
value
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.)
Withdrawn
Application number
CN202011286723.4A
Other languages
English (en)
Inventor
严忠贞
周可薇
江元璋
张军
张俊杰
严赛男
陈豪
朱信远
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
Original Assignee
Hubei University of Technology
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 filed Critical Hubei University of Technology
Priority to CN202011286723.4A priority Critical patent/CN112365067A/zh
Publication of CN112365067A publication Critical patent/CN112365067A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • 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"
    • 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
    • G06N3/08—Learning methods

Landscapes

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

Abstract

本发明公开一种snap‑drift布谷鸟搜索算法优化灰色神经网络的预测方法，所述方法包括：获取初选集合；计算每个寄生巢的适应度值，确定适应度值的最小值；判断所述更新次数是否小于迭代次数；若小于所述迭代次数，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；局部搜索，更新寄生巢；基于概率Pa来选择最差的寄生巢；全局搜索，更新每个废弃的寄生巢；根据更新的解的数量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；判断更新次数是否小于所述迭代次数，若是，返回继续寻找最优，否则，将更新后的适应度值最小的寄生巢即最优权值和阈值，将其作为灰色神经网络的初始连接权值和阈值进行训练，直至满足最小预测精度。

Description

一种snap-drift布谷鸟搜索算法优化灰色神经网络的预测 方法
技术领域
本发明属于工业、农业、社会、经济等众科学领域，成功的解决了生产、生活和科学研究中的大量实际问题，具体涉及一种snap-drift 布谷鸟搜索算法优化灰色神经网络的预测方法
背景技术
自1969年，由J.M.BATES与C.WJ.GRANGER首次系统地提出组合预测的概念以来，组合预测因预测精度高、稳定性和可靠性好颇受研究者的青睐，至今，在组合预测方法上已经取得了一些成果，涌现出了许多组合模型，如聚类分析和神经网络的组合、模糊神经网络、遗传神经网络、混沌神经网络、灰色神经网络，还有灰色系统与自回归移动平均模型(ARMA)的组合、灰色系统与遗传算法的结合，灰色马尔可夫过程、神经网络集成，灰色支持向量机模型等。其中灰色神经网络将灰色模型与神经网络模型有机融合起来，它既具有灰色系统用小样本数据建模的独特方法，又具有神经网络模型可以对非线性、非精确规律具有自适应能力的优点。因此结合灰色系统思想与神经网络构成灰色神经网络成为近几年一个研究热点。
但灰色神经网络(GNN)由于权值和阈值随机初始化，导致了网络易陷入局部最优，而且每次预测结果不同，且偏差较大。因此本发明提出snap-drift布谷鸟搜索算法(SDCS)算法能够较好地调整全局与局部搜索能力之间的平衡，将其应用于灰色神经网络的白化参数优化，可改善常规GNN的不足。
发明内容
本发明：一种snap-drift布谷鸟搜索算法优化灰色神经网络的预测方法，目的是提高灰色神经网络的预测准确率。
为实现上述目的，本发明提供了如下方案：
一种snap-drift布谷鸟搜索算法优化灰色神经网络的预测方法，包括如下步骤：
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灰色神经网络的一组权值和阈值,权值和阈值带入到灰色神经网络便可得改进后的灰色神经网络模型；
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；所述适应度值为灰色神经网络的最小预测误差。
判断所述更新次数是否小于迭代次数，得到判断结果；
若所述判断结果表示所述新次数小于所述迭代次数，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；
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；
基于概率Pa来选择最差的寄生巢；
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；
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(是一个控制参数，作为控制参数，如果性能已增强(或保持不变)，则决定是否继续使用drift模式进行搜索，或着切换到其他搜索模式以提高搜索能力。因此，性能指标Pm为我们提出的算法提供必要的知识，以找到搜索模式之间的平衡)；
根据Pm判断使用snap模式或drift模式计算pa的值；
找到当前最佳适应度值。返回判断更新次数是否小于所述迭代次数；
若所述判断结果表示所述更新次数大于或者等于所述迭代次数，根据更新后的适应度值最小的寄生巢的位置确定所述灰色神经网络的预测模型。
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n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,...,n)，其中，D维空间中的寄生巢可用一个 M×D矩阵xn×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灰色神经网络中，即灰色神经网络的预测模型就确定下来了。
可选的，所述计算每个所述寄生巢的适应度值，具体包括：
根据适应度函数公式：
Figure RE-GDA0002879145660000031
计算每个所述寄生巢的适应度值；
其中，ok为灰色神经网络第k个节点的实际输出，dk为灰色神经网络第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灰色神经网络进行训练，以达到寻找最优一组权值和阈值的目的。
可选的，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；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；若否，则使用信息共享策略和莱维飞行策略进行更新。
可选的，所述局部搜索，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。
可选的，所述基于概率Pa来选择最差的寄生巢，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；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；若否，则根据鸟蛋自身的信息来进行更新。
然后根据概率Pa来进行最后的寄生巢的跟新。
可选的，根据权利要求1所述的方法，其特征在于，所述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，具体包括：
Pm＝Se/(2*n)
可选的，根据权利要求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：
判断所述Pm是否小于0.5；若是则使用snap模式即减小原则，即Pa取更小的值；若否，则使用drift模式即增大原则，即Pa取更大的值。
可选的，根据权利要求1所述的方法，其特征在于，所述找到当前最佳适应度值，具体包括：
判断所述当前最小值是否小于全局最小值；若是则将当前最小值赋值给全局最小值；若否，则全局最小值保持不变。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供的一种snap-drift布谷鸟搜索算法优化灰色神经网络的预测方法，每个寄生巢可以采用编码表示，采用snap-drift布谷鸟搜索算法对灰色神经网络进行参数优化，以使预测误差更小，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。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明snap-drift布谷鸟搜索算法优化灰色神经网络的预测方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种snap-drift布谷鸟搜索算法优化灰色神经网络的预测方法，提高灰色神经网络预测的准确率。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明提供了一种snap-drift布谷鸟搜索算法优化灰色神经网络的预测方法，图1为本发明snap-drift布谷鸟搜索算法优化灰色神经网络的预测方法的流程图。如图1所示，所述方法包括：
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灰色神经网络的一组权值和阈值,将其带入到灰色神经网络便可得改进后的灰色神经网络模型；
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灰色神经网络中，即灰色神经网络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；所述适应度值为灰色神经网络的最小预测误差。适应度函数公式为：
Figure RE-GDA0002879145660000071
其中，ok为灰色神经网络第k个节点的实际输出，dk为灰色神经网络第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灰色神经网络进行训练，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 RE-GDA0002879145660000072
其中，
Figure RE-GDA0002879145660000073
表示点对点乘法,β是莱维飞行指数,a0是步长比例因子,
Figure RE-GDA0002879145660000074
和
Figure RE-GDA0002879145660000075
是随机选择的两个不同解。其中莱维飞行基本公式为：
Figure RE-GDA0002879145660000081
a>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 RE-GDA0002879145660000082
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 RE-GDA0002879145660000083
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；
P<sub>m</sub>＝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为我们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 RE-GDA0002879145660000091
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，即灰色神经网络最优初始权值和阈值。
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，将其作为灰色神经网络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：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：判断训练是否结束。若否，返回步骤111。
Snap-Drift布谷鸟搜索算法(snap-drift cuckoo search,SDCS)是受自然启发的最新的元启发式算法之一，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，可以找到上述问题的较优的解。这个定理指出，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，基于此，我们引入了一种新的CS变体，即snap-drift布谷鸟搜索(snap-drift CS,SDCS)，它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，这个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。符合这个目的，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还推出了新的搜索，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。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (9)

1.一种snap-drift布谷鸟搜索算法优化灰色神经网络的预测方法，其特征在于，包括如下步骤：
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灰色神经网络的一组最优权值和阈值,将其带入到灰色神经网络便可得改进后的灰色神经网络模型；
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；所述适应度值为灰色神经网络的最小预测误差。
判断所述更新次数是否小于迭代次数，得到判断结果；
若所述判断结果表示所述更新次数小于所述迭代次数，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；
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；
基于概率Pa来选择最差的寄生巢；
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；
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，是一个控制参数，作为控制参数，如果性能已增强或保持不变，则决定是否继续使用drift模式进行搜索，或着切换到其他搜索模式以提高搜索能力，性能指标Pm为我们提出的算法提供必要的知识，以找到搜索模式之间的平衡；
根据Pm判断使用snap模式或drift模式计算pa的值；
找到当前最佳适应度值。返回判断更新次数是否小于所述迭代次数；
若所述判断结果表示所述更新次数大于或者等于所述迭代次数，根据更新后的适应度值最小的寄生巢的位置确定所述灰色神经网络的预测模型。
2.根据权利要求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：
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白化参数，将白化参数运用到灰色神经网络中，即灰色神经网络的预测模型就确定下来了。
3.根据权利要求1所述的方法，其特征在于，计算每个所述寄生巢的适应度值，具体包括：
根据适应度函数公式：
Figure FDA0002782637630000021
计算每个所述寄生巢的适应度值；
其中，ok为灰色神经网络第k个节点的实际输出，dk为灰色神经网络第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灰色神经网络进行训练，以达到寻找最优一组白化参数的目的。
4.根据权利要求1所述的方法，其特征在于，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；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；若否，则使用信息共享策略和莱维飞行策略进行更新。
5.根据权利要求1所述的方法，其特征在于，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。
6.根据权利要求1所述的方法，其特征在于，基于概率Pa来选择最差的寄生巢，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；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；若否，则根据鸟蛋自身的信息来进行更新；
然后根据概率Pa来进行最后的寄生巢的跟新。
7.根据权利要求1所述的方法，其特征在于，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，具体包括：
Pm＝Se/(2*n)。
8.根据权利要求1所述的方法，其特征在于，根据Pm判断使用snap模式或drift模式计算pa的值，具体包括：
判断所述Pm是否小于0.5；若是则使用snap模式即减小原则，即Pa取更小的值；若否，则使用drift模式即增大原则，即Pa取更大的值。
9.根据权利要求1所述的方法，其特征在于，找到当前最佳适应度值，具体包括：
判断所述当前最小值是否小于全局最小值；若是则将当前最小值赋值给全局最小值；若否，则全局最小值保持不变。
CN202011286723.4A 2020-11-17 2020-11-17 一种snap-drift布谷鸟搜索算法优化灰色神经网络的预测方法 Withdrawn CN112365067A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011286723.4A CN112365067A (zh) 2020-11-17 2020-11-17 一种snap-drift布谷鸟搜索算法优化灰色神经网络的预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011286723.4A CN112365067A (zh) 2020-11-17 2020-11-17 一种snap-drift布谷鸟搜索算法优化灰色神经网络的预测方法

Publications (1)

Publication Number Publication Date
CN112365067A true CN112365067A (zh) 2021-02-12

Family

ID=74515129

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011286723.4A Withdrawn CN112365067A (zh) 2020-11-17 2020-11-17 一种snap-drift布谷鸟搜索算法优化灰色神经网络的预测方法

Country Status (1)

Country Link
CN (1) CN112365067A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104318329A (zh) * 2014-10-20 2015-01-28 国家电网公司 一种布谷鸟搜索算法改进支持向量机的电力负荷预测方法
CN107527110A (zh) * 2017-07-07 2017-12-29 上海电力学院 基于布谷鸟搜索优化mgm（1，n）的年用电量预测方法
CN108596212A (zh) * 2018-03-29 2018-09-28 红河学院 基于改进布谷鸟搜索优化神经网络的变压器故障诊断方法
CN111931899A (zh) * 2020-07-31 2020-11-13 武汉烽火技术服务有限公司 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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104318329A (zh) * 2014-10-20 2015-01-28 国家电网公司 一种布谷鸟搜索算法改进支持向量机的电力负荷预测方法
CN107527110A (zh) * 2017-07-07 2017-12-29 上海电力学院 基于布谷鸟搜索优化mgm（1，n）的年用电量预测方法
CN108596212A (zh) * 2018-03-29 2018-09-28 红河学院 基于改进布谷鸟搜索优化神经网络的变压器故障诊断方法
CN111931899A (zh) * 2020-07-31 2020-11-13 武汉烽火技术服务有限公司 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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张烈平等: "基于蚁群算法优化的布谷鸟搜索算法", 《微电子学与计算机》 *
张燕: "基于Cubic混沌模型的自适应布谷鸟优化算法", 《数学的实践与认识》 *

Similar Documents

Publication Publication Date Title
CN109241291B (zh) 基于深度强化学习的知识图谱最优路径查询系统及其方法
CN111556461B (zh) 一种基于深度q网络的车载边缘网络任务分发卸载方法
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
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
CN112269382B (zh) 一种机器人多目标路径规划方法
CN111553469A (zh) 一种无线传感器网络数据融合方法、装置和存储介质
CN112484732B (zh) 一种基于ib-abc算法的无人机飞行路径规划方法
CN112149990B (zh) 一种基于预测的模糊供需匹配方法
CN113469426A (zh) 基于改进bp神经网络的光伏输出功率预测方法及系统
CN113850414B (zh) 基于图神经网络和强化学习的物流调度规划方法
CN116390161A (zh) 一种移动边缘计算中基于负载均衡的任务迁移方法
CN110147890A (zh) 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
CN109657800A (zh) 基于参数噪声的强化学习模型优化方法及装置
CN112884238A (zh) 光伏发电功率预测方法及装置
CN112558601A (zh) 一种基于Q-learning算法和水滴算法的机器人实时调度方法及系统
CN114091745A (zh) 基于改进多存储池回声状态网络的行业用电量预测方法
CN112770256B (zh) 一种无人机自组织网络中的节点轨迹预测方法
Liang et al. Hierarchical reinforcement learning with opponent modeling for distributed multi-agent cooperation
CN114815801A (zh) 一种基于策略-价值网络及mcts的自适应环境路径规划方法
CN112008707B (zh) 一种基于部件分解的机器人控制方法及装置
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
CN109993271A (zh) 基于博弈理论的灰色神经网络预测方法
CN110705756A (zh) 一种基于输入凸神经网络的电力能耗优化控制方法
CN115344046A (zh) 一种基于改进深度q网络算法的移动机器人路径规划
CN115796364A (zh) 一种面向离散制造系统的智能交互式决策方法

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20210212