考慮到糧食產(chǎn)量的非線性,提出一種基于混合智能算法的支持向量機的預測模型,針對粒子群算法（PSO）易于陷入局部最優(yōu)的特點,融合改進的粒子群算法（GAPSO）以及人工魚群算法（AFSA）得到混合智能算法（GAPSO-AFSA）,通過種群自身內(nèi)部的變異交叉以及族外競爭機制,使得目標函數(shù)值向全局最優(yōu)解快速收斂,提高了算法的全局搜索能力,最終得到支持向量機的最優(yōu)參數(shù)組合.將支持向量機預測模型用于中國糧食產(chǎn)量預測中,通過試驗驗證了模型的正確性,并證實了該預測模型擁有較好的預測效果. 

【文章來源】：江蘇大學學報(自然科學版). 2020,41(03)北大核心

【文章頁數(shù)】：6 頁

【部分圖文】：

改進的粒子群算法流程圖

GAPSO-AFSA算法的基本思想:將種群一分為二成A,B兩個子群體,在每次的迭代中,A子群體利用改進的粒子群算法進化,而B子群體利用人工魚群算法進化,然后通過對比兩種進化算法的最優(yōu)解得到整個群體中能夠搜索到的最優(yōu)解,流程如圖2所示.這種算法既利用了改進的粒子群算法追逐當前全局最優(yōu)點來保證算法的收斂性,又利用人工魚群算法的搜索隨機性,加大了算法的搜索范圍,同時克服了PSO易陷入局部極值點和 AFSA 算法尋優(yōu)精度不高等缺點,從而兼顧了算法的優(yōu)化精度和效率,提高了算法的優(yōu)化性能.3.3 GAPSO-AFSA優(yōu)化的SVM預測模型

文中使用的數(shù)據(jù)源自于國家統(tǒng)計局歷年糧食報告(中國1949—2016年的糧食產(chǎn)量),如圖3所示.選擇1949年至2016年我國糧食的產(chǎn)量數(shù)據(jù)及影響其產(chǎn)量的因素作為數(shù)據(jù)集,數(shù)據(jù)源自中國國家統(tǒng)計局網(wǎng)站.選取了全國總體統(tǒng)計數(shù)據(jù)以及江蘇、山西、黑龍江等多個省或直轄市的地區(qū)統(tǒng)計數(shù)據(jù),由于影響糧食產(chǎn)量的因素眾多,并且各因素之間還有相互影響的可能,因此在綜合考慮以后,選擇糧食播種面積、農(nóng)作物有效灌溉面積、施用農(nóng)用化肥的總量、本年度末所擁有的農(nóng)業(yè)機械總動力、農(nóng)村用電總量以及從事農(nóng)業(yè)的勞動力共六項指標作為函數(shù)的輸入值,以糧食總產(chǎn)量這一項作為整個函數(shù)的輸出.選取1949—1999 年的糧食產(chǎn)量數(shù)據(jù)作為訓練數(shù)據(jù),以每5年的數(shù)據(jù)預測下一年的數(shù)據(jù),分別采用BP,PSO-SVM[11],GAPSO-AFSA算法對數(shù)據(jù)進行訓練,同時將訓練好的預測模型帶入試驗數(shù)據(jù)進行測試.對于混合智能算法選取合適的支持向量機的參數(shù)組合,其中徑向基核參數(shù)γ搜索范圍為[0.1, 10],懲罰參數(shù)C的搜索范圍為[1, 500],設(shè)定染色體種群大小為40,并設(shè)定最大進化代數(shù)為160,交叉率與變異率分別為0.6,0.003,try_number=3,Visual和Step按式(8)動態(tài)調(diào)整,s=3.

【參考文獻】：
期刊論文
[1]基于粒子群優(yōu)化的馬氏距離模糊聚類算法[J]. 祖志文,李秦.  重慶郵電大學學報(自然科學版). 2019(02)
[2]群智能算法優(yōu)化支持向量機參數(shù)綜述[J]. 李素,袁志高,王聰,陳天恩,郭兆春.  智能系統(tǒng)學報. 2018(01)
[3]基于混合人工蜂群和人工魚群優(yōu)化的LSSVM脈動風速預測[J]. 張永康,李春祥,鄭曉芬,徐化喜.  振動與沖擊. 2017(15)
[4]文化算法框架下混合群智能算法的腫瘤信息基因選擇[J]. 張浩,葉明全,汪楠.  四川大學學報(自然科學版). 2015(03)
[5]基于BP神經(jīng)網(wǎng)絡(luò)的糧食產(chǎn)量預測模型[J]. 郭慶春,何振芳,李力.  湖南農(nóng)業(yè)科學. 2011(17)
[6]SVM分類核函數(shù)及參數(shù)選擇比較[J]. 奉國和.  計算機工程與應(yīng)用. 2011(03)



本文編號：3428045