基于混合改进GSO与GRNN并行集成学习模型

发布时间：2025-04-22 21:33

　　 针对萤火虫群优化算法(GSO)不稳定、收敛速度较慢与收敛精度较低等问题和广义回归神经网络(GRNN)的网络结构导致预测误差的特性,提出基于混合改进萤火虫群算法与广义回归神经网络并行集成学习模型,应用于雾霾预测.首先构建融合多种搜索策略的混合改进萤火虫群优化算法(HIGSO),并使用标准测试函数验证算法性能.然后结合HIGSO与引入扰动因子的GRNN模型,建立并行集成学习模型,并通过UCI标准数据集验证模型的有效性与可行性.最后将模型应用于北京、上海和广州地区的雾霾预测,进一步验证模型在雾霾预测中的性能.

【文章页数】：12 页

【文章目录】：
1 相关工作
    1.1 基本萤火虫优化算法
    1.2 广义回归神经网络
2 混合改进萤火虫优化算法
    2.1 佳点集种群初始化
    2.2 自适应移动步长
    2.3 辅助位置更新机制
    2.4 繁殖变异机制
    2.5 公告板机制
    2.6 算法步骤
    2.7 算法时间复杂性分析
3 基于HIGSO-GRNN并行集成学习模型
4 实验及结果分析
    4.1 仿真实验环境
    4.2 HIGSO性能测试
    4.3 HIGSO-GRNN性能测试
    4.4 HIGSO-GRNN雾霾预测模型
5 结束语



本文编号：4040743