论文部分内容阅读
近年来,群体智能优化算法在科学研究和工程应用中的实例越来越多,狼群算法GWO作为一种新兴的智能优化算法,由于参数设置简单,优化的空间比较大,正被越来越多的学者拿来研究改进,并和其它算法相结合应用到工程实际中。在当前机器学习和数据挖掘的重要发展时期,支持向量机作为建立在统计学理论最新进展基础上的新一代学习系统,也成了学者进行学习研究的重点,它是一种二类分类模型。随着社会经济的发展和人民生活水平的提高,城市空气质量问题受到了越来越普遍的关注和重视,根据《环境空气质量标准》(GB 3095-2012)采用空气质量指数对空气质量进行评价。本文提出了一种改进的狼群算法,同时将该方法用于解决支持向量机模型的参数优化问题,优化后的支持向量机在对空气质量数据进行评价的分类上取得了比较好的分类结果。本文的主要研究内容主要包括如下几个方面:首先是针对狼群算法GWO中存在的问题进行了改进,使用选择算子优化的方式在保证狼群初始化种群多样性的基础上,提升了狼群初始水平质量;通过收敛因子优化的方式,增加狼群的奔袭步长,提升模型跳出局部最优解的水平;基于位置权重优化,提升模型的动态响应性能,狼群在更新位置的时候,更大的权重是向头狼靠拢,减小向探狼和猛狼靠近的权重,能够增加狼群向猎物靠近的速度以及在限定迭代次数下增加捕获猎物的概率。采用基准函数对狼群算法的优化效果进行仿真验证,实验结果表明优化后的狼群算法在收敛速度和收敛精度上均优于所对比的算法。其次是将改进后的狼群算法和支持向量机相结合,优化支持向量机模型的惩罚因子和核函数参数,建立基于改进狼群算法的支持向量机模型对成都市空气质量进行分类。然后采集成都市空气质量数据,根据成都空气质量评价标准,确定空气质量评价因子,对数据进行预处理,用于支持向量机模型的仿真实验,初始化狼群参数,基于评价因子使用支持向量机模型对空气质量进行分类。最终实验结果表明,优化后的支持向量机模型对空气质量数据集的分类评价性能要优于其它对比算法,用改进的支持向量基模型对空气质量进行分类,对分类结果进行统计分析,作为引导人们生产生活的参考依据,使人们更加深刻的意识到空气质量评价对控制空气污染有着重要的实际意义,为环保部门的管理和决策提供了科学依据,为减轻或者防治空气污染做铺垫,同时为地方政府进行环境治理打下理论基础,对改善、构建和持续发展智慧城市具有非常重要的现实意义。