基于混合智能算法的支持向量机的粮食产量预测

发布时间：2021-10-10 08:46

　　考虑到粮食产量的非线性,提出一种基于混合智能算法的支持向量机的预测模型,针对粒子群算法（PSO）易于陷入局部最优的特点,融合改进的粒子群算法（GAPSO）以及人工鱼群算法（AFSA）得到混合智能算法（GAPSO-AFSA）,通过种群自身内部的变异交叉以及族外竞争机制,使得目标函数值向全局最优解快速收敛,提高了算法的全局搜索能力,最终得到支持向量机的最优参数组合.将支持向量机预测模型用于中国粮食产量预测中,通过试验验证了模型的正确性,并证实了该预测模型拥有较好的预测效果. 

【文章来源】：江苏大学学报(自然科学版). 2020,41(03)北大核心

【文章页数】：6 页

【部分图文】：

改进的粒子群算法流程图

GAPSO-AFSA算法的基本思想:将种群一分为二成A,B两个子群体,在每次的迭代中,A子群体利用改进的粒子群算法进化,而B子群体利用人工鱼群算法进化,然后通过对比两种进化算法的最优解得到整个群体中能够搜索到的最优解,流程如图2所示.这种算法既利用了改进的粒子群算法追逐当前全局最优点来保证算法的收敛性,又利用人工鱼群算法的搜索随机性,加大了算法的搜索范围,同时克服了PSO易陷入局部极值点和 AFSA 算法寻优精度不高等缺点,从而兼顾了算法的优化精度和效率,提高了算法的优化性能.3.3 GAPSO-AFSA优化的SVM预测模型

文中使用的数据源自于国家统计局历年粮食报告(中国1949—2016年的粮食产量),如图3所示.选择1949年至2016年我国粮食的产量数据及影响其产量的因素作为数据集,数据源自中国国家统计局网站.选取了全国总体统计数据以及江苏、山西、黑龙江等多个省或直辖市的地区统计数据,由于影响粮食产量的因素众多,并且各因素之间还有相互影响的可能,因此在综合考虑以后,选择粮食播种面积、农作物有效灌溉面积、施用农用化肥的总量、本年度末所拥有的农业机械总动力、农村用电总量以及从事农业的劳动力共六项指标作为函数的输入值,以粮食总产量这一项作为整个函数的输出.选取1949—1999 年的粮食产量数据作为训练数据,以每5年的数据预测下一年的数据,分别采用BP,PSO-SVM[11],GAPSO-AFSA算法对数据进行训练,同时将训练好的预测模型带入试验数据进行测试.对于混合智能算法选取合适的支持向量机的参数组合,其中径向基核参数γ搜索范围为[0.1, 10],惩罚参数C的搜索范围为[1, 500],设定染色体种群大小为40,并设定最大进化代数为160,交叉率与变异率分别为0.6,0.003,try_number=3,Visual和Step按式(8)动态调整,s=3.

【参考文献】：
期刊论文
[1]基于粒子群优化的马氏距离模糊聚类算法[J]. 祖志文,李秦.  重庆邮电大学学报(自然科学版). 2019(02)
[2]群智能算法优化支持向量机参数综述[J]. 李素,袁志高,王聪,陈天恩,郭兆春.  智能系统学报. 2018(01)
[3]基于混合人工蜂群和人工鱼群优化的LSSVM脉动风速预测[J]. 张永康,李春祥,郑晓芬,徐化喜.  振动与冲击. 2017(15)
[4]文化算法框架下混合群智能算法的肿瘤信息基因选择[J]. 张浩,叶明全,汪楠.  四川大学学报(自然科学版). 2015(03)
[5]基于BP神经网络的粮食产量预测模型[J]. 郭庆春,何振芳,李力.  湖南农业科学. 2011(17)
[6]SVM分类核函数及参数选择比较[J]. 奉国和.  计算机工程与应用. 2011(03)



本文编号：3428045