基于混合智能算法的支持向量机的粮食产量预测

高心怡,韩 飞

(江苏大学 计算机与通信工程学院,江苏 镇江 212013)

对于中国这个粮食大国来说,农业经济预测十分重要,它为国家、政企及其他有关部门把握未来经济运行状况、判断发展后劲、制定相关决策等提供科学依据.早先,国内外学者对农业经济预测进行了大量研究,提出了很多预测方法,如因果预测法、时间序列预测法、决策树法、先期调查等,这些都是传统经济预测的基本方法.此后有学者提出BP神经网络预测模型[1-3],但BP神经网络在非线性预测中易于陷入局部极值,影响预测精度,即农业经济预测对于模型的非线性预测性能有着比较高的要求.支持向量机回归算法[4]是一种用于趋势预测的支持向量机,它通过一个映射函数将输入数据非线性地映射到高维特征空间,并在此高维空间进行回归.由于支持向量机中核参数γ、惩罚参数C的选取对其预测效果有一定影响,因此求得较优的参数组合可以提高支持向量机的预测性能.粒子群算法(PSO)[5]是根据鸟群觅食行为而产生的仿生设计算法,属于一种较为简单有效的全局优化算法,但在进化后期收敛慢,粒子容易趋于同一化,失去多样性,优化精度较差.针对此缺陷,文中提出一种改进的基于混合智能算法的支持向量机的农业经济预测方法,融合了改进的PSO算法与人工鱼群算法,通过自身内部的变异交叉以及族外竞争机制,使得目标函数值向全局最优解快速收敛,提高粒子……