[發明專利]改進布谷鳥搜索算法優化極限學習機的網絡流量預測方法

在審

• 申請號: 202010760059.6
• 申請日: 2020-07-31
• 公開（公告）號: CN111931899A
• 公開（公告）日: 2020-11-13
• 發明（設計）人: 魏明;陳鳳;姚全鋒;余晗;胡小飛;葉志偉;王春枝;李振國
• 申請（專利權）人: 武漢烽火技術服務有限公司;湖北工業大學;烽火通信科技股份有限公司
• 主分類號: G06N3/00
• 分類號: G06N3/00;G06N3/04;G06N3/08;G06Q10/04
• 代理公司: 武漢智權專利代理事務所(特殊普通合伙) 42225
• 代理人: 邱云雷

1.一種改進布谷鳥搜索算法優化極限學習機的網絡流量預測方法，其特征在于，包括以下步驟：

獲取初選集合，所述初選集合包括多個寄生巢，所述寄生巢指的是巢里面的鳥蛋，每個所述寄生巢的鳥蛋表示極限學習機的一組初始權值和閾值；

計算每個寄生巢的適應度值，所述適應度值為極限學習機的最小預測誤差，將當前種群中適應度值最優的寄生巢保留至下一代；

通過變量J選擇不同的更新算子對當前每個寄生巢中的鳥蛋進行更新求解；

進行局部搜索，將改進的寄生巢的數量保存在變量Se中；基于概率Pa選擇最差的寄生巢；

進行全局搜索，在變量Se中保存改進的寄生巢的數量；

根據局部搜索、全局搜索后更新的解的數量Se調整性能指標p_m；

根據p_m判斷使用snap模式或drift模式計算pa的值；

判斷更新次數是否達到迭代次數，若是，根據更新后的適應度值最小的寄生巢的位置確定所述極限學習機的最優初始權值和閾值；若否，返回繼續尋找適應度值最小的寄生巢。

2.如權利要求1所述的方法，其特征在于，在所述獲取初選集合之前，還包括以下步驟：

對每個寄生巢進行編碼，對于一個包含M個寄生巢的種群，其種群規模即為M，每個寄生巢的維度即編碼長度為D；

則每寄生巢x_i表示為(x_i1,x_i2,...,x_iD)(i＝1，2，...，M)；

其中，D維空間中的寄生巢用一個M×D矩陣x_M×D表示，分量x_ij表示第i個寄生巢的第j維的決策值，每個寄生巢代表一組灰色神經網的權值和閾值。

3.如權利要求1所述的方法，其特征在于，所述計算每個寄生巢的適應度值，具體包括：

根據適應度函數公式計算每個所述寄生巢的適應度值，所述適應度函數公式為：

其中，o_k為極限學習機第k個節點的實際輸出，d_k為極限學習機第k個節點的期望輸出，q為網絡的輸出節點數，x代表其中一個個體。

4.如權利要求1所述的方法，其特征在于，所述通過變量J選擇不同的更新算子對當前每個寄生巢中的鳥蛋進行更新求解，具體包括：

判斷所述均勻分布的隨機數p是否小于基于概率的變量J；若是則根據鳥蛋自身的信息和萊維飛行策略來發現新的解，即根據公式(2)進行更新；若否，則判斷所述均勻分布的隨機數p是否小于1減去基于概率的變量J；若是，則搜索自身周圍區域和萊維飛行策略來搜索空間中x_ij所在位置，即根據公式(3)進行更新；若否，則使用信息共享策略和萊維飛行策略進行更新，即根據公式(4)進行更新；

其中，表示點對點乘法，β是萊維飛行指數，a₀是步長比例因子，和是隨機選擇的兩個不同解。

5.如權利要求4所述的方法，其特征在于，

所述萊維飛行策略，其基本公式為：

a0為步長參數，與所考慮問題的尺度成比例；u和v的服從均值和方差為0正態分布，其中G為標準的Gamma函數，如式(8)所示：

6.如權利要求1所述的方法，其特征在于，所述進行局部搜索，具體包括：

計算當前更新后的每個寄生巢的適應度值，求得局部最小值。

7.如權利要求1所述的方法，其特征在于，所述基于概率Pa選擇最差的寄生巢，具體包括：

判斷所述均勻分布的隨機數p是否小于基于概率的變量J；若是則使用信息共享策略進行更新，即根據公式(9)進行更新；若否，則判斷所述均勻分布的隨機數p是否小于1減去基于概率的變量J；若是則搜索自身周圍區域并吸引其到搜索空間中x_ij所在位置，即根據公式(10)進行更新；若否，則根據鳥蛋自身的信息來進行更新，即根據公式(11)進行更新；