[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

说明书

本发明公开了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。其中，该方法包括：通过粒子群的聚集度随机生成收缩扩张系数，其中，粒子群的聚集度是指粒子群的粒子之间的相似性和聚拢度，收缩扩张系数服从随机分布；根据收缩扩张系数更新粒子的位置。本发明解决了处理复杂问题时容易产生过早收敛的问题，在算法迭代后期，粒子多样性迅速下降，收敛速度较慢的技术问题。

技术领域

本发明涉及预测网络流量领域，具体而言，涉及一种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。

背景技术

目前，现有技术在金融领域中有利用金融时间序列预测的量子粒子群优化递归神经网络方法，具体是首先应用混沌和相空间重构理论，通过饱和关联维(G-P)方法计算混沌金融时间序列吸引子维度，确定神经网络网络RPNN的结构，然后通过量子粒子群优化QPSO算法对递归神经网络RPNN训练、最后确定网络的动态最优权值和阈值，使RPNN神经网络仿真预测值与实际值达到最小误差精度，所以现有技术中没有在网络流量预测领域应用量子粒子群算法优化的神经网络进行预测的方法。

现有技术中的量子粒子群算法的算法如下：基本思想是通过群体中个体之间的协作和信息共享来达到寻优的目的。在寻优过程中，个体根据自己的个体最优位置(Pbest)和整个种群的全局最优位置(Gbest)来更新自己的位置，从而聚集收敛于全局最优值。粒子位置更新公式为：X(t+1)＝p(t)±β|m(t)-X(t)|·ln(1/u)，其中：p(t)＝θ·P_best(t)+(1-θ)G_best(t)；p_p(t)和p_g(t)分别代表粒子在第t次迭代时的个体最优位置和种群的全局最优位置；θ是在[0,1]上服从均匀分布的随机数；u是在[0,1]上服从均匀分布的随机数；β称为收缩-扩张系数，用来控制粒子的收敛速度，随着迭代的进行，β线性地从a变化到b，通常a＝1，b＝0.5；G_max表示最大的迭代次数。粒子群优化算法适应度值F的计算过程是实际和理论输出间的误差绝对值之和。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。

上述量子粒子群算法虽然具有全局搜索能力，但应用在处理复杂问题时(比如，金融、网络流量等)容易产生过早收敛的情况，在算法迭代后期，还会有粒子多样性迅速下降，收敛速度较慢的问题。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种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，以至少解决处理复杂问题时容易产生过早收敛的问题，在算法迭代后期，粒子多样性迅速下降，收敛速度较慢的技术问题。

根据本发明实施例的一个方面，提供了一种改进量子粒子群算法的方法，包括：判断粒子群是否陷入局部最优解；当判断结果为粒子群陷入局部最优解的情况下，则随机生成收缩扩张系数，其中，所述收缩扩张系数是通过粒子群的聚集度得到的，所述粒子群的聚集度是指粒子群的粒子之间的相似性和聚拢度，所述收缩扩张系数服从随机分布；根据所述收缩扩张系数更新粒子的位置。

进一步地，根据公式β＝1+α×A(t)，α∈(0,1)对收缩-扩张系数进行计算，其中，β代表收缩-扩张系数，A(t)代表粒子群的聚集度的函数。

进一步地，粒子群的聚集度根据公式A(t)＝∑Sim/N计算得到，其中，A(t)代表粒子群的聚集度，Sim是相似度系数；N是粒子总数。

根据本发明实施例的另一方面，还提供了一种改进的量子粒子群算法的应用，包括：所述改进的量子粒子群算法应用于神经网络的优化。