A new support vector machine optimized by improved particle swarm optimization and its application
A new support vector machine optimized by improved particle swarm optimization and its application
复制标题
改进粒子群优化的新型支持向量机及其应用
DOI：
10.1007/s11771-006-0089-2
复制
发表时间：
2006-10
影响因子：
--
通讯作者：
中科院分区：
文献类型：
--
作者：
提出了一种基于改进粒子群算法(PSO)和模拟退火法(SA)相结合的支持向量机优化算法。将模拟退火法与粒子群算法相结合，增强了粒子群算法的全局搜索能力，研究了粒子群算法的搜索能力。然后，利用改进的粒子群优化算法对支持向量机的参数(c、σ和ε)进行了优化。基于中国北部某地区电网提供的运行数据，将该方法应用于实际的短期负荷预测。实验结果表明，与粒子群支持向量机和传统支持向量机相比，该方法在实验过程中的平均运行时间分别减少了11.6 S和31.1 S，准确率分别提高了1.24%和3.18%。因此，改进后的方法优于粒子群支持向量机和传统的支持向量机。
A new support vector machine (SVM) optimized by an improved particle swarm optimization (PSO) combined with simulated annealing algorithm (SA) was proposed. By incorporating with the simulated annealing method, the global searching capacity of the particle swarm optimization (SAPSO) was enhanced, and the searching capacity of the particle swarm optimization was studied. Then, the improved particle swarm optimization algorithm was used to optimize the parameters of SVM (c, σandε). Based on the operational data provided by a regional power grid in north China, the method was used in the actual short term load forecasting. The results show that compared to the PSO-SVM and the traditional SVM, the average time of the proposed method in the experimental process reduces by 11.6 s and 31.1 s, and the precision of the proposed method increases by 1.24% and 3.18%, respectively. So, the improved method is better than the PSO-SVM and the traditional SVM.
登录
查看更多内容
DOI：
10.1145/2598394.2605342
发表时间：
2014-07
期刊：
Proceedings of the Companion Publication of the 2014 Annual Conference on Genetic and Evolutionary Computation
影响因子：
--
作者：
A. Engelbrecht
通讯作者：
A. Engelbrecht
DOI：
10.1016/b978-0-12-409547-2.14581-0
发表时间：
2020
期刊：
Comprehensive Chemometrics
影响因子：
--
作者：
Federico Marini;Beata Walczak
通讯作者：
Federico Marini;Beata Walczak
DOI：
10.1201/9781003206477-5
发表时间：
2021-08
期刊：
Evolutionary Optimization Algorithms
影响因子：
--
作者：
A. Badar
通讯作者：
A. Badar
DOI：
10.1109/icdm.2002.1183887
发表时间：
2002-12
期刊：
2002 IEEE International Conference on Data Mining, 2002. Proceedings.
影响因子：
--
作者：
Yisong Chen;Guoping Wang;Shihai Dong
通讯作者：
Yisong Chen;Guoping Wang;Shihai Dong
影响因子：
6.7
作者：
Dong, B;Cao, C;Lee, SE
通讯作者：
Lee, SE