基于反学习飞蛾火焰算法优化的LSSVM模型及其软测量应用

摘要

针对最小二乘支持向量机LSSVM(least squares support vector machine)软测量模型参数难以估计问题,提出将参数估计转化为约束优化问题,基于反学习飞蛾火焰算法OMFO(opposition-based MFO)优化的LSSVM建模技术,并构建OMFO-LSSVM软测量模型.在MFO(moth-flame optimization)基础上增加新型反学习策略以提升算法性能.针对越界飞蛾,采用一种镜像越界策略保证飞蛾均在维度范围内,改善种群多样性.利用OMFO算法调整模型参数,并建立OMFO-LSSVM软测量模型.将OMFO-LSSVM模型用于机组热耗率预测,预测精度达到0.11％,验证了该模型的可行性与优越性.