基于粗集理论和混沌PSO的多像机组网优化

摘要

多像机组网网络设计具有多参数、多约束、运算最大等特点,在理论上是一个复杂的优化策略问题,寻找它的绝对精确最优解通常需要非常大的运算量,因此在实现时必须考虑算法的效能.本文利用基于粗糙集的启发式属性约简算法获得特征属性的约简,在此基础上,再利用改进的支持向量机对约简信息进行预测.为了获得最优的预测精度,同时,采用混沌粒子群优化(PSO)防止SVM的预测模型的局部优化,可以使预测率显著提高.分析结果表明,该方法可以提取测试数据的基本规则,与单独SVM方法相比,减少预测误差0.42％以上.