基于改进灰狼算法优化多核支持向量回归机及其应用
作者:
基金项目:

国家自然科学基金(61702093); 黑龙江省自然科学基金(F2018003); 大庆市指导性科技项目(zd-2019-09); 东北石油大学青年科学基金(2020QNL-10)


Optimization of Multi-Core Support Vector Regression Based on Improved Gray Wolf Algorithm and Its Application
Author:
  • 摘要
  • | |
  • 访问统计
  • |
  • 参考文献 [19]
  • |
  • 相似文献 [20]
  • | | |
  • 文章评论
    摘要:

    为更好发现数据中的复杂规律, 避免核函数选择的盲目性和局部最优等非线性优化问题, 本文提出一种基于改进灰狼算法优化多核支持向量回归机算法. 首先, 基于全局核函数和局部核函数构建多核支持向量机采油速度预测模型; 其次, 利用基于云模型和二次插值算法改进灰狼优化算法对核函数权值和参数的选取进行优化; 最后, 应用灰色关联分析理论确定采油速度影响因素集, 并作为多核支持向量回归机预测模型的输入. 与6种采油速度预测方法进行对比, 所提方法具有较好的全局寻优能力和较高的预测率的优点.

    Abstract:

    In order to find the complex rules in the data, avoid the blindness of kernel function selection and local optimal nonlinear optimization problems, this study proposes an improved gray wolf algorithm to optimize the multi-core support vector regression machine algorithm. Firstly, a multi-core SVM oil production speed prediction model is constructed based on the global kernel function and the local kernel function. Secondly, the gray wolf optimization algorithm is improved based on the cloud model and the quadratic interpolation algorithm to optimize the selection of the weights and parameters of the kernel function. Finally, the influencing factors set of oil production speed is determined by the grey correlation analysis theory and used as the multi-core SVM prediction model. Compared with 6 kinds of prediction methods of oil production rate, the proposed method has the advantages of better global optimization ability and higher prediction rate.

    参考文献
    [1] 赵伦, 陈希, 陈礼, 等. 采油速度对不同黏度均质油藏水驱特征的影响. 石油勘探与开发, 2015, 42(3): 352–357
    [2] 吴文有, 王禄春, 张继风, 等. 特高含水期油田采油速度主要影响因素. 大庆石油地质与开发, 2012, 31(5): 51–55. [doi: 10.3969/J.ISSN.1000-3754.2012.05.010
    [3] 姜凤光, 王小林. 采油速度影响因素及理论值研究. 西南石油大学学报(自然科学版), 2013, 35(6): 104–108
    [4] 陈军, 杨峻懿, 刘启国. 特高含水期油藏采油速度研究及影响因素分析. 油气藏评价与开发, 2018, 8(4): 17–21, 32. [doi: 10.3969/j.issn.2095-1426.2018.04.004
    [5] 吕达, 刘文婧, 陈肖洁. 规则的多核学习支持向量回归算法. 机械设计与制造, 2016, (12): 53–56. [doi: 10.3969/j.issn.1001-3997.2016.12.014
    [6] 邵朝, 李强. 基于特征加权的多核支持向量机. 西安邮电大学学报, 2017, 22(2): 84–88
    [7] Li Y, Zhu ZC, Hou AL, et al. Pulmonary nodule recognition based on multiple kernel learning support vector machine-PSO. Computational and Mathematical Methods in Medicine, 2018, 2018: 1461470
    [8] 杜伟, 房立清, 齐子元, 等. 基于LFOA优化多核支持向量机的液压泵故障诊断. 机械设计与研究, 2018, 34(1): 137–140, 144
    [9] Mirjalili S, Mirjalili SM, Lewis A. Grey wolf optimizer. Advances in Engineering Software, 2014, 69: 46–61
    [10] 黄戈文, 蔡延光, 戚远航, 等. 自适应遗传灰狼优化算法求解带容量约束的车辆路径问题. 电子学报, 2019, 47(12): 2602–2610
    [11] 鲍毅, 戴波, 汪志华, 等. 基于灰狼算法的多目标智能家居负荷控制算法. 系统仿真学报, 2019, 31(6): 1216–1222
    [12] 张新明, 王霞, 康强. 改进的灰狼优化算法及其高维函数和FCM优化. 控制与决策, 2019, 34(10): 2073–2084
    [13] 徐慧, 付迎春, 刘翔, 等. 融合杜鹃搜索的灰狼优化算法在网络入侵检测特征选择中的应用. 工程科学与技术, 2018, 50(5): 160–166
    [14] 郭振洲, 刘然, 拱长青, 等. 基于灰狼算法的改进研究. 计算机应用研究, 2017, 34(12): 3603–3606, 3610. [doi: 10.3969/j.issn.1001-3695.2017.12.019
    [15] 郭阳, 张涛, 胡玉蝶, 等. 基于自适应头狼的灰狼优化算法. 成都大学学报(自然科学版), 2020, 39(1): 60–63, 73
    [16] 谈发明, 赵俊杰, 王琪. 一种改进非线性收敛方式的灰狼优化算法研究. 微电子学与计算机, 2019, 36(5): 89–95
    [17] 晏福, 徐建中, 李奉书. 混沌灰狼优化算法训练多层感知器. 电子与信息学报, 2019, 41(4): 872–879. [doi: 10.11999/JEIT180519
    [18] Luo KP, Zhao QH. A binary grey wolf optimizer for the multidimensional knapsack problem. Applied Soft Computing, 2019, 83: 105645. [doi: 10.1016/j.asoc.2019.105645
    [19] Gupta S, Deep K. A novel random walk grey wolf optimizer. Swarm and Evolutionary Computation, 2019, 44: 101–112
    引证文献
    网友评论
    网友评论
    分享到微博
    发 布
引用本文

王颖,朱刘涛,童勤,张强.基于改进灰狼算法优化多核支持向量回归机及其应用.计算机系统应用,2021,30(1):256-263

复制
分享
文章指标
  • 点击次数:954
  • 下载次数: 2077
  • HTML阅读次数: 1812
  • 引用次数: 0
历史
  • 收稿日期:2020-06-07
  • 最后修改日期:2020-07-07
  • 在线发布日期: 2020-12-31
文章二维码
您是第11209279位访问者
版权所有:中国科学院软件研究所 京ICP备05046678号-3
地址:北京海淀区中关村南四街4号 中科院软件园区 7号楼305房间,邮政编码:100190
电话:010-62661041 传真: Email:csa (a) iscas.ac.cn
技术支持:北京勤云科技发展有限公司

京公网安备 11040202500063号