數(shù)據(jù)預(yù)測為決策系統(tǒng)提供制定決策所必須的未來信息,數(shù)據(jù)分析與處理在預(yù)測理論的發(fā)展過程中占據(jù)極其重要的地位。通過數(shù)據(jù)的變化趨勢可預(yù)先把握事物的發(fā)展規(guī)律,為決策提供可靠支持�，F(xiàn)實生活中存在大量數(shù)據(jù)預(yù)測問題,常因預(yù)測技術(shù)的不足而無法對數(shù)據(jù)進行科學(xué)和準(zhǔn)確的預(yù)測。近年來,盡管傳統(tǒng)預(yù)測理論與方法的研究取得了較大進展,但由于預(yù)測問題本身所處環(huán)境的復(fù)雜性與不確定性,以及傳統(tǒng)數(shù)據(jù)分析模型所具有的局限性,導(dǎo)致理論研究成果與實際預(yù)測結(jié)果會受到不同程度的影響。因次,如何讓所有數(shù)據(jù)有意義并根據(jù)這些數(shù)據(jù)做出更好的預(yù)測就具有了更高的研究價值。此外,回歸分析模型受其適應(yīng)面和處理能力的限制。當(dāng)問題需求量和復(fù)雜度不斷增加時,采用傳統(tǒng)方法優(yōu)化回歸模型就變得更加困難。因此,本文對現(xiàn)有優(yōu)化算法的實踐效果進行對比分析,嘗試對其進行改進,形成具有針對性的模型優(yōu)化機制。本文從應(yīng)用現(xiàn)有優(yōu)化機制進行實際問題求解時所遇到的具體問題入手,從以下幾方面對回歸分析模型、靜態(tài)與動態(tài)環(huán)境下優(yōu)化機制及數(shù)據(jù)預(yù)測的實際應(yīng)用進行了深入研究。具體研究內(nèi)容如下:首先,從多種角度探索建立有效的非線性回歸分析模型。通過對各模型進行比較分析,產(chǎn)生相對可靠的分析模型及回... 

【文章來源】：西安郵電大學(xué)陜西省

【文章頁數(shù)】：69 頁

【學(xué)位級別】：碩士

【部分圖文】：

基于適應(yīng)值排序的種群類結(jié)構(gòu)圖

西安郵電大學(xué)碩士學(xué)位論文始化與子群的構(gòu)建，最后得到三類有序子群體；模塊二針對不同子群，設(shè)具針對性且協(xié)調(diào)性更佳的搜索機制組合，實現(xiàn)對搜索過程的調(diào)節(jié)。而模塊察蜂進行局部尋優(yōu)來找出最優(yōu)解。先通過式（2.8）和（2.9）計算出觀察間，再利用式（2.11）進行局部搜索，進一步提升算法的尋優(yōu)能力。

第 3 章 蜂群算法在動態(tài)環(huán)境下的優(yōu)化機制研究 重復(fù)步驟 2，直到達到預(yù)設(shè)目標(biāo)，停止迭代，輸出優(yōu)化結(jié)果。學(xué)習(xí)過程中蜜源下一時刻的狀態(tài)是由當(dāng)前狀態(tài)、最優(yōu)個體及子定。其中，隨機個體有利于增加種群多樣性以及增加算法跳出個體能夠引導(dǎo)群體的搜索軌跡，加快算法的收斂速度。因而，需定義一種鄰域規(guī)則，明確哪些個體可作為當(dāng)前蜜源的鄰居。如下兩種鄰域結(jié)構(gòu)，融合不同蜂群的學(xué)習(xí)模式，充分發(fā)揮各搜 ABC 易于陷入局部最優(yōu)的缺陷。3.1 全局鄰域篩選模型3.1 所示，模型主要分為初始層、過程層及結(jié)果層三部分，初始種群按平均適應(yīng)值排序后的結(jié)果，過程層則獲取每個子群的局，結(jié)果層是從局部最優(yōu)子群和隨機子群中選出所需對象。

【參考文獻】：
期刊論文
[1]考慮舒適溫度區(qū)間和突變量的月售電量預(yù)測線性回歸模型[J]. 薛斌,程超,歐世其,劉安祥,王順昌.  電力系統(tǒng)保護與控制. 2017(01)
[2]類搜索算法[J]. 陳皓,潘曉英.  軟件學(xué)報. 2015(07)
[3]基于函數(shù)型非參數(shù)回歸模型的中長期日負荷曲線預(yù)測[J]. 許梁,孫濤,徐箭,孫元章,李子壽,林常青.  電力自動化設(shè)備. 2015(07)
[4]基于EMD-KELM-EKF與參數(shù)優(yōu)選的用戶側(cè)微電網(wǎng)短期負荷預(yù)測方法[J]. 湯慶峰,劉念,張建華,于壯壯,張清鑫,雷金勇.  電網(wǎng)技術(shù). 2014(10)
[5]進化Elman神經(jīng)網(wǎng)絡(luò)在實時數(shù)據(jù)預(yù)測中的應(yīng)用[J]. 王曉霞,馬良玉,王兵樹,王濤.  電力自動化設(shè)備. 2011(12)
[6]架構(gòu)大數(shù)據(jù):挑戰(zhàn)、現(xiàn)狀與展望[J]. 王珊,王會舉,覃雄派,周烜.  計算機學(xué)報. 2011(10)
[7]一種基于動態(tài)小生境的自組織學(xué)習(xí)算法[J]. 周傳華,謝安世.  軟件學(xué)報. 2011(08)
[8]差分演化的收斂性分析與算法改進[J]. 賀毅朝,王熙照,劉坤起,王彥祺.  軟件學(xué)報. 2010(05)
[9]基于改進的粒子群算法的多元線性回歸模型參數(shù)估計[J]. 劉錦萍,郁金祥.  計算機工程與科學(xué). 2010(04)
[10]多元回歸分析模型在變形監(jiān)測中的應(yīng)用[J]. 張俊中,宋蕾,張健雄.  河南工程學(xué)院學(xué)報(自然科學(xué)版). 2009(03)

博士論文
[1]群智能優(yōu)化算法及其應(yīng)用[D]. 馮春時.中國科學(xué)技術(shù)大學(xué) 2009



本文編號：3385130