电力负荷预测基于matlab粒子群算法优化支持向量机预测电力负荷含Matlab源码 1225期

Posted 紫极神光

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了电力负荷预测基于matlab粒子群算法优化支持向量机预测电力负荷含Matlab源码 1225期相关的知识,希望对你有一定的参考价值。

一、粒子群算法及SVM简介

1 粒子群算法简介
1.1 引言
自然界中的鸟群和鱼群的群体行为一直是科学家的研究兴趣所在。生物学家Craig Reynolds在1987年提出了一个非常有影响的鸟群聚集模型,在他的仿真中,每一个个体都遵循:避免与邻域个体相撞:匹配邻域个体的速度;飞向鸟群中心,且整个群体飞向目标。仿真中仅利用上面三条简单的规则,就可以非常接近地模拟出鸟群飞行的现象。1990年, 生物学家Frank Heppner也提出了鸟类模型, 它的不同之处在于:鸟类被吸引飞到栖息地。在仿真中,一开始每一只鸟都没有特定的飞行目标,只是使用简单的规则确定自己的飞行方向和飞行速度,当有一只鸟飞到栖息地时,它周围的鸟也会跟着飞向栖息地,最终整个鸟群都会落在栖息地。
1995年, 美国社会心理学家James Kennedy和电气工程师RussellEberhart共同提出了粒子群算法(ParticleS warm Optimization, PSO) , 该算法的提出是受对鸟类群体行为进行建模与仿真的研究结果的启发。他们的模型和仿真算法主要对Frank Heppner的模型进行了修正,以使粒子飞向解空间并在最优解处降落。粒子群算法一经提出,由于其算法简单,容易实现,立刻引起了进化计算领域学者们的广泛关注, 形成一个研究热点。2001年出版的J.Kennedy与R.Eberhart合著的《群体智能》将群体智能的影响进一步扩大[] , 随后关于粒子群优化算法的研究报告和研究成果大量涌现,继而掀起了国内外研究热潮[2-7]。
粒子群优化算法来源于鸟类群体活动的规律性,进而利用群体智能建立一个简化的模型。它模拟鸟类的觅食行为,将求解问题的

以上是关于电力负荷预测基于matlab粒子群算法优化支持向量机预测电力负荷含Matlab源码 1225期的主要内容,如果未能解决你的问题,请参考以下文章

回归预测-lssvm基于粒子群算法优化最小二乘支持向量机lssvm实现数据回归预测附matlab代码

电力负荷预测基于matlab模拟退火算法结合狮群算法优化Elman神经网络电力负荷预测含Matlab源码 1454期

电力负荷预测基于matlab日特征气象因素支持向量机SVM电力负荷预测含Matlab源码 1612期

SVM预测基于粒子群算法优化实现SVM数据分类matlab源码

SVM分类基于粒子群算法优化SVM实现数据分类预测matlab源码

SVM分类基于粒子群算法优化SVM实现数据分类预测matlab源码