[發明專利]改進的量子粒子群優化算法及應用于預測網絡流量的方法

有效

• 申請號: 201711182435.2
• 申請日: 2017-11-23
• 公開（公告）號: CN107995027B
• 公開（公告）日: 2021-06-25
• 發明（設計）人: 于堯;郭磊;滕飛
• 申請（專利權）人: 東北大學
• 主分類號: H04L12/24
• 分類號: H04L12/24;G06N3/00
• 代理公司: 大連東方專利代理有限責任公司 21212
• 代理人: 李馨

1.一種基于改進的量子粒子群優化神經網絡的流量預測方法，其特征在于，包括：

獲取數據，其中，所述數據是網絡流量數據；

利用離散小波變換將所述數據分解為低頻流量數據和高頻流量數據；

分別使用所述低頻流量數據和所述高頻流量數據訓練神經網絡，具體地，從所述低頻流量數據和所述高頻流量數據中各自選取一部分數據分別作為第一訓練集和第二訓練集；從所述低頻流量數據和所述高頻流量數據各自選取一部分數據分別作為第一驗證集和第二驗證集，利用訓練集和驗證集對神經網絡的結構和權值閾值進行更新，其中，所述訓練集是第一訓練集和第二訓練集，所述驗證集是第一驗證集和第二驗證集，得到訓練后的神經網絡；其中，所述神經網絡利用改進的量子粒子群算法來計算權值和閾值；

其中，使用兩種改進的量子粒子群算法優化神經網絡的訓練及預測過程，具體包括如下步驟：

a)確定神經網絡的拓撲結構，即，對神經網絡進行初始化，在進行該步驟之前，還進行小波分解；

b)初始化粒子群:粒子群規模、粒子的維數、最大迭代次數及目標誤差值；

c)評價每個粒子的適應度；

d)對粒子i更新位置，并記錄此次位置更新中A、B兩拐點的位置，將其適應度值分別與A、B拐點位置的適應度F_A與F_B以及自身歷史最好位置的適應度值F_i作比較，選擇最優適應度，將其當前所在位置作為其個體的最優位置P_b，并記錄當前適應度值；

e)對每個粒子，將其個體最優位置P_b的適應度值F_i與全局最優位置G_b的適應度值F_g作比較，如果較好，則將其作為全局最優位置，并記錄當前適應度值；

f)計算中心粒子位置并計算其適應度值，根據公式進行種群歷史最優位置鄰域的局部搜索，計算G′_best及其適應度值，對局部搜索的結果，采用貪心保留策略更新G_b；

g)計算粒子群聚集度A(t)，更新收縮—擴張系數β；

h)判斷是否達到目標誤差或最大迭代次數，否則返回c)；

i)確定神經網絡相應最優參數；

j)輸入預測網絡流量到訓練好的神經網絡進行預測；

k)對高、低頻預測結果小波重構后輸出預測值；

其中一種改進的量子粒子群算法為：為了表示群體之間的相似性與聚攏程度，定義粒子群的聚集度A(t)為：

A(t)＝∑Sim/N

其中:Sim是相似度系數；N是粒子群規模，即粒子總數；d(x,y)表示粒子與全局最優粒子的歐幾里得距離，x_i表示第一個點的第i維坐標y_i表示第二個點的第i維坐標；將收縮—擴張系數β表示為粒子群的聚集度A(t)的函數，并使其服從隨機分布，實現動態的自適應調整，β＝1+α×A(t)，α∈(0,1)

另一種改進的量子粒子群優化算法的方法為：

尋找粒子群中的拐點，其中，所述拐點是在任一方向上所能進行搜索的極限位置，所述拐點至少為兩個；

計算所述拐點的適應度值；

對所述拐點的適應度值與個體極值的適應度值進行比較，根據比較結果更新粒子的個體極值；

更新種群的歷史最優位置和中心粒子，其中，所述中心粒子為所有粒子的個體極值所形成的中心；

通過種群的歷史最優位置和中心粒子之間的差分結果更新種群的全局極值；

根據所述個體極值和所述全局極值更新粒子的位置；

上述步驟的中心粒子根據公式來確定，其中，Pbest代表個體極值，Pcenter代表中心粒子；

根據以下公式判斷局部搜索結果與種群的歷史最優位置的優先級，選擇優先級高的值作為種群的全局極值：

式中，

Gbest代表種群的歷史最優位置，G′_best代表局部搜索的結果；F函數代表適應度值計算函數；

根據下述公式更新粒子的個體極值：F(Pbest_t+1)＝min(F(A),F(B),F(Pbest_t))；其中，函數F()代表適應度函數，函數F()是由公式得到的；F(Pbest_t+1)代表更新后的個體極值，F(Pbest_t)代表粒子的個體極值，其中，下標i代表第i個樣本數據，n為樣本數據總數，y_i為理論輸出，o_i為實際輸出，k是用于調整適應度值范圍大小的系數；

粒子群在每代飛行更新位置后，更新種群歷史最優位置Gbest和中心粒子Pcenter，并利用Gbest與Pcenter之間的差分結果指導Gbest進行局部搜索，增強Gbest鄰域內的搜索能力，根據下述公式：

G′best＝Gbest+r·dt·(Gbest-Pcenter)；

公式中，r為[-1，+1]之間均勻分布的隨機數，用以控制局部搜索的方向，dt為第t代時的局域縮放因子；

dt隨著種群迭代次數t的增加而線性遞減，根據下述公式：

d_t+1＝d_t·(1-t/T)；

對局部搜索的結果，采用貪心保留策略，根據下述公式：

通過增加A和B兩個點，將A、B兩點的適應度也一起與個體極值進行比較，比較的標準是適應度越小越好。