【技术实现步骤摘要】
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
本专利技术涉及智能计算
，具体涉及一种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。
技术介绍
伴随着物联网、泛在网络等概念的提出，下一代互联网骨干网各节点之间、局域网各节点之间的网络流量数据将呈现大幅度增长，互联网流量即将迈入大数据时代。在大数据流量背景下，网络业务类别的急剧增加导致网络流量性质发生改变，传统的流量模型已不适用于当今乃至下一代互联网流量的分析与预测，因此对智能网络流量预测的研究势在必行。ELM(ExtremeLearningMachine，极限学习机)是人工智能神经网络的一种，具有结构简单、训练速度快、调节参数少和泛化能力强等优点，并且有极强的非线性逼近能力，作为BP神经网络的改进，克服了BP神经网络需要设置大量的网络训练参数的缺陷，并且容易产生局部最优解的问题，因此可以用于刻画影响短期电力负荷预测的非线性相关因素演变，目前已广泛应用于变压器顶部油温预测、雾霾预测、月降雨量和热带气候预测、湍流地球物理流量、土壤湿度预测、风电预测、流量预测等场合...
【技术保护点】
1.一种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，其特征在于，包括以下步骤：/n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极限学习机的一组初始权值和阈值；/n计算每个寄生巢的适应度值，所述适应度值为极限学习机的最小预测误差，将当前种群中适应度值最优的寄生巢保留至下一代；/n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；/n进行局部搜索，将改进的寄生巢的数量保存在变量Se中；基于概率Pa选择最差的寄生巢；/n进行全局搜索，在变量Se中保存改进的寄生巢的数量；/n根据局部搜索、全局搜索后更新的解...
【技术特征摘要】
1.一种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，其特征在于，包括以下步骤：
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极限学习机的一组初始权值和阈值；
计算每个寄生巢的适应度值，所述适应度值为极限学习机的最小预测误差，将当前种群中适应度值最优的寄生巢保留至下一代；
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；
进行局部搜索，将改进的寄生巢的数量保存在变量Se中；基于概率Pa选择最差的寄生巢；
进行全局搜索，在变量Se中保存改进的寄生巢的数量；
根据局部搜索、全局搜索后更新的解的数量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；
判断更新次数是否达到迭代次数，若是，根据更新后的适应度值最小的寄生巢的位置确定所述极限学习机的最优初始权值和阈值；若否，返回继续寻找适应度值最小的寄生巢。
2.如权利要求1所述的方法，其特征在于，在所述获取初选集合之前，还包括以下步骤：
对每个寄生巢进行编码，对于一个包含M个寄生巢的种群，其种群规模即为M，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，每个寄生巢代表一组灰色神经网的权值和阈值。
3.如权利要求1所述的方法，其特征在于，所述计算每个寄生巢的适应度值，具体包括：
根据适应度函数公式计算每个所述寄生巢的适应度值，所述适应度函数公式为：
其中，ok为极限学习机第k个节点的实际输出，dk为极限学习机第k个节点的期望输出，q为网络的输出节点数，x代表其中一个个体。
4.如权利要求1所述的方法，其特征在于，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，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减去基于概率的变量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；
其中，表示点对点乘法...
【专利技术属性】
技术研发人员：魏明，陈凤，姚全锋，余晗，胡小飞，叶志伟，王春枝，李振国，
申请(专利权)人：武汉烽火技术服务有限公司，湖北工业大学，烽火通信科技股份有限公司，
类型：发明
国别省市：湖北;42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。