[发明专利]改进的量子粒子群优化算法及应用于预测网络流量的方法

权利要求书

1.一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；

分别使用所述低频流量数据和所述高频流量数据训练神经网络，具体地，从所述低频流量数据和所述高频流量数据中各自选取一部分数据分别作为第一训练集和第二训练集；从所述低频流量数据和所述高频流量数据各自选取一部分数据分别作为第一验证集和第二验证集，利用训练集和验证集对神经网络的结构和权值阈值进行更新，其中，所述训练集是第一训练集和第二训练集，所述验证集是第一验证集和第二验证集，得到训练后的神经网络；其中，所述神经网络利用改进的量子粒子群算法来计算权值和阈值；

其中，使用两种改进的量子粒子群算法优化神经网络的训练及预测过程，具体包括如下步骤：

a)确定神经网络的拓扑结构，即，对神经网络进行初始化，在进行该步骤之前，还进行小波分解；

b)初始化粒子群:粒子群规模、粒子的维数、最大迭代次数及目标误差值；

c)评价每个粒子的适应度；

d)对粒子i更新位置，并记录此次位置更新中A、B两拐点的位置，将其适应度值分别与A、B拐点位置的适应度F_A与F_B以及自身历史最好位置的适应度值F_i作比较，选择最优适应度，将其当前所在位置作为其个体的最优位置P_b，并记录当前适应度值；

e)对每个粒子，将其个体最优位置P_b的适应度值F_i与全局最优位置G_b的适应度值F_g作比较，如果较好，则将其作为全局最优位置，并记录当前适应度值；

f)计算中心粒子位置并计算其适应度值，根据公式进行种群历史最优位置邻域的局部搜索，计算G′_best及其适应度值，对局部搜索的结果，采用贪心保留策略更新G_b；

g)计算粒子群聚集度A(t)，更新收缩—扩张系数β；

h)判断是否达到目标误差或最大迭代次数，否则返回c)；

i)确定神经网络相应最优参数；

j)输入预测网络流量到训练好的神经网络进行预测；

k)对高、低频预测结果小波重构后输出预测值；

其中一种改进的量子粒子群算法为：为了表示群体之间的相似性与聚拢程度，定义粒子群的聚集度A(t)为：

A(t)＝∑Sim/N

其中:Sim是相似度系数；N是粒子群规模，即粒子总数；d(x,y)表示粒子与全局最优粒子的欧几里得距离，x_i表示第一个点的第i维坐标y_i表示第二个点的第i维坐标；将收缩—扩张系数β表示为粒子群的聚集度A(t)的函数，并使其服从随机分布，实现动态的自适应调整，β＝1+α×A(t)，α∈(0,1)

另一种改进的量子粒子群优化算法的方法为：

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；

上述步骤的中心粒子根据公式来确定，其中，Pbest代表个体极值，Pcenter代表中心粒子；

根据以下公式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种群的全局极值：

式中，

Gbest代表种群的历史最优位置，G′_best代表局部搜索的结果；F函数代表适应度值计算函数；

根据下述公式更新粒子的个体极值：F(Pbest_t+1)＝min(F(A),F(B),F(Pbest_t))；其中，函数F()代表适应度函数，函数F()是由公式得到的；F(Pbest_t+1)代表更新后的个体极值，F(Pbest_t)代表粒子的个体极值，其中，下标i代表第i个样本数据，n为样本数据总数，y_i为理论输出，o_i为实际输出，k是用于调整适应度值范围大小的系数；

粒子群在每代飞行更新位置后，更新种群历史最优位置Gbest和中心粒子Pcenter，并利用Gbest与Pcenter之间的差分结果指导Gbest进行局部搜索，增强Gbest邻域内的搜索能力，根据下述公式：

G′best＝Gbest+r·dt·(Gbest-Pcenter)；

公式中，r为[-1，+1]之间均匀分布的随机数，用以控制局部搜索的方向，dt为第t代时的局域缩放因子；

dt随着种群迭代次数t的增加而线性递减，根据下述公式：

d_t+1＝d_t·(1-t/T)；

对局部搜索的结果，采用贪心保留策略，根据下述公式：

通过增加A和B两个点，将A、B两点的适应度也一起与个体极值进行比较，比较的标准是适应度越小越好。