改进量子粒子群优化算法的方法及基于改进算法的应用技术

本发明专利技术公开了改进量子粒子群优化算法的方法及基于改进算法的应用。其中，该方法包括：寻找粒子群中的拐点，其中，拐点是在任一方向上所能进行搜索的极限位置，拐点至少为两个；计算拐点的适应度值；对拐点的适应度值与个体极值的适应度值进行比较，根据比较结果更新粒子的个体极值；更新种群的历史最优位置和中心粒子，其中，中心粒子为所有粒子的个体极值所形成的中心；通过种群的历史最优位置和中心粒子之间的差分结果更新种群的全局极值；根据个体极值和全局极值更新粒子的位置。本发明专利技术解决了处理复杂问题时容易产生过早收敛的问题，在算法迭代后期，粒子多样性迅速下降，收敛速度较慢的技术问题。

【技术实现步骤摘要】
改进量子粒子群优化算法的方法及基于改进算法的应用
本专利技术涉及预测网络流量领域，具体而言，涉及一种改进量子粒子群优化算法的方法及基于改进算法的应用。
技术介绍
目前，现有技术在金融领域中有利用金融时间序列预测的量子粒子群优化递归神经网络方法，具体是首先应用混沌和相空间重构理论，通过饱和关联维(G-P)方法计算混沌金融时间序列吸引子维度，确定神经网络网络RPNN的结构，然后通过量子粒子群优化QPSO算法对递归神经网络RPNN训练、最后确定网络的动态最优权值和阈值，使RPNN神经网络仿真预测值与实际值达到最小误差精度，所以现有技术中没有在网络流量预测领域应用量子粒子群算法优化的神经网络进行预测的方法。现有技术中的量子粒子群算法的算法如下：基本思想是通过群体中个体之间的协作和信息共享来达到寻优的目的。在寻优过程中，个体根据自己的个体最优位置(Pbest)和整个种群的全局最优位置(Gbest)来更新自己的位置，从而聚集收敛于全局最优值。粒子位置更新公式为：X(t+1)＝p(t)±β|m(t)-X(t)|·ln(1/u)，其中：p(t)＝θ·Pbest(t)+(1-θ)Gbest(t)；pp本文档来自技高网...

【技术保护点】
一种改进量子粒子群算法的方法，其特征在于，包括：寻找粒子群中的拐点，其中，所述拐点是在任一方向上所能进行搜索的极限位置，所述拐点至少为两个；计算所述拐点的适应度值；对所述拐点的适应度值与个体极值的适应度值进行比较，根据比较结果更新粒子的个体极值；更新种群的历史最优位置和中心粒子，其中，所述中心粒子为所有粒子的个体极值所形成的中心；通过种群的历史最优位置和中心粒子之间的差分结果更新种群的全局极值；根据所述个体极值和所述全局极值更新粒子的位置。

【技术特征摘要】
1.一种改进量子粒子群算法的方法，其特征在于，包括：寻找粒子群中的拐点，其中，所述拐点是在任一方向上所能进行搜索的极限位置，所述拐点至少为两个；计算所述拐点的适应度值；对所述拐点的适应度值与个体极值的适应度值进行比较，根据比较结果更新粒子的个体极值；更新种群的历史最优位置和中心粒子，其中，所述中心粒子为所有粒子的个体极值所形成的中心；通过种群的历史最优位置和中心粒子之间的差分结果更新种群的全局极值；根据所述个体极值和所述全局极值更新粒子的位置。2.根据权利要求1所述的方法，其特征在于，通过所述种群的历史最优位置和所述中心粒子之间的差分结果更新种群的全局极值包括：通过所述种群的历史最优位置和所述中心粒子之间的差分结果进行局部搜索得到局部搜索结果；判断局部搜索结果与种群的历史最优位置的优先级；选择优先级高的值作为得到种群的全局极值。3.根据权利要求1所述的方法，其特征在于，对所述拐点的适应度值与所述个体极值的适应度值进行比较，根据比较结果更新粒子的个体极值包括：比较所述拐点的适应度值与所述个体极值的适应度值的大小；根据比较结果为小的更新更新粒子的个体极值。4.一种改进的量子粒子群算法的应用，其特征在于，包括：所述改进的量子粒子群算法应用于神经网络的优化。5.一种基于改进的量子粒子群优化神经网络的流量预测方法，其特征在于，包括：获取数据，其中，所述数据是网络流量数据；利用离散小波变换将所述数据分解为低频流量数据和高频流量数据...

【专利技术属性】
技术研发人员：于尧，郭磊，滕飞，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁,21