基于混沌搜索的LS-SVM预测模型的建立方法技术

基于混沌搜索的LS-SVM预测模型的建立方法，包括下述步骤：A）建立样本训练数据集；B）计算模型系数；C）采用混沌搜索改进算法进行寻优，获得待优化函数的最小值和最优混沌变量；D）确定优化的LS-SVM预测模型；E）样本更新处理。本发明专利技术通过混沌搜索改进算法对模型参数寻优后建立的LS-SVM自适应资源预测模型，能对云计算中的预测对象运行状态进行动态预测，预测结果具有很好的自适应性，能确保预测结果更加逼近预测对象的真实值。该模型缓解了混沌搜索对初值的敏感性，且在混沌迭代搜索过程中，通过对混沌变量的调整，使得其第二次搜索能够在最优解的邻域内快速搜索，提高搜索效率，并减少陷入局部最优的可能。

【技术实现步骤摘要】
【专利摘要】基于混沌搜索的LS-SVM预测模型的建立方法，包括下述步骤：A）建立样本训练数据集；B）计算模型系数；C）采用混沌搜索改进算法进行寻优，获得待优化函数的最小值和最优混沌变量；D）确定优化的LS-SVM预测模型；E）样本更新处理。本专利技术通过混沌搜索改进算法对模型参数寻优后建立的LS-SVM自适应资源预测模型，能对云计算中的预测对象运行状态进行动态预测，预测结果具有很好的自适应性，能确保预测结果更加逼近预测对象的真实值。该模型缓解了混沌搜索对初值的敏感性，且在混沌迭代搜索过程中，通过对混沌变量的调整，使得其第二次搜索能够在最优解的邻域内快速搜索，提高搜索效率，并减少陷入局部最优的可能。【专利说明】基于混沌搜索的LS-SVM预测模型的建立方法
本专利技术涉及资源预测技术，具体是基于混沌搜索的LS-SVM预测模型的建立方法。
技术介绍
网络基础设施的提升无法适应人们对网络资源无止境的需求，这导致了网络性能下降、响应延迟等诸多不良现象。事实上，在网络中，一方面存在部分的资源过度使用，另一方面却有着大量资源被闲置。云计算通过虚拟化技术，将网络中的各种底层物理资源构建资源池，将用户请求分发到不同的资源池中按需服务和按需计费。如何在云平台中合理分配及调度底层物理资源，有效提高服务质量和系统性能，保证负载均衡，已成为业界的一个挑战。预测技术能够有效预测资源池中物理资源的运行状态，可为云平台的资源管理和资源分配提供有效途径，其对于提高资源利用率，提高系统性能具有重要意义。 预测技术指人们运用现代科学技术手段，事先依据一定方法，对自己的活动可能产生的后果及客观事物的发展趋势做出的科学的分析。 LS-SVM是一种可靠的、适用于小样本和非线性问题的预测模型，并具有良好的泛化推广性。为进一步提高模型预测的精度，需要对影响LS-SVM性能的两个关键参数，即正则化参数c及核半径δ进行优化。
技术实现思路
为了更好地对正则化参数c及核半径δ进行优化，获得与待预测对象拟合性较好的预测模型，本专利技术提供基于混沌搜索的LS-SVM预测模型的建立方法，通过混沌搜索改进算法对模型参数寻优后建立的LS-SVM自适应资源预测模型，能对云计算中的预测对象的运行状态进行动态预测。 本专利技术的基于混沌搜索的LS-SVM预测模型的建立方法，包括下述步骤: Α)建立样本训练数据集； B)计算模型系数； C)采用混沌搜索改进算法进行寻优，获得待优化函数的最小值和最优混沌变量； D)确定优化的LS-SVM预测模型； Ε)样本更新处理。 在步骤Α)，通过对预测对象环境的数据进行采样，获取一定时间周期内资源的运行状态，再对采集的数据进行处理，再建立样本训练数据集。而所述的对采集的数据进行处理包括:填补缺失值、剔除极端值和时间序列长度的确定。 在步骤B)，基于原始的LS-SVM预测模型，根据样本训练数据集计算出与预测对象环境相适应的模型系数％和b ; 其中，对原始的如式①所示LS-SVM预测模型: 【权利要求】1.基于混沌搜索的LS-SVM预测模型的建立方法，其特征在于包括下述步骤: A)建立样本训练数据集； B)计算模型系数； C)采用混沌搜索改进算法进行寻优，获得待优化函数的最小值和最优混沌变量； D)确定优化的LS-SVM预测模型； E)样本更新处理。2.根据权利要求1所述的方法，其特征在于:在步骤A)，通过对预测对象环境的数据采样，获取一定时间周期内资源的运行状态，再对采集的数据进行处理，再建立样本训练数据集。3.根据权利要求2所述的方法，其特征在于:对采集的数据进行处理包括:填补缺失值、剔除极端值和时间序列长度的确定。4.根据权利要求1所述的方法，其特征在于:在步骤B)，基于原始的LS-SVM预测模型，根据样本训练数据集计算出与预测对象环境相适应的模型系数％和b ; 其中，对原始的如式①所示LS-SVM预测模型:其核函数K(X，Xi)采用高斯径向基函数，即5.根据权利要求1所述的方法，其特征在于:在步骤C)， 首先，根据式①和样本训练数据集中的样本值计算一组预测值ym，以这组预测值ym设计一个以预测值和实际值的标准差表示的参数寻优函数f，其中，m为样本个数;3Wi为第i个样本的预测值，基于式(I)，Ypreil为预测值，其是一个带参数c及δ表示的表达式为第i个样本的实际值； 然后，以参数寻优函数f作为待优化函数，以X'足义待优化变量c及δ，选取混沌变量并对0(/)进行初始化，并将混沌变量Ff (/)引入待优化变量c和δ中，并且将混沌变量按式④扩展到参数的取值空间中:其中k表示迭代次数，j代表所产生混沛变量的组数，I指待优化函数f所含变量的个数，< 和^^分别代表待优化变量的上限和下限； 其次，对混沌变量按式⑤进行迭代计算寻优:其中，η为Logistic控制参数，η e O6.根据权利要求5所述的方法，其特征在于:对混沌变量迭代寻优过程如下: ①参数初始化设置，包括一个待优化函数值fbest、初次迭代次数N1、精细迭代次数N2； ②在N1次迭代搜索过程中，产生一个随机初始混沌值，并对初始混沌值进行扩展，满足参数的取值范围；然后将扩展的混沌值代入式①，并通过输入采样数据，计算一个含参数变量的预测值ypM.1，再根据式③计算函数值f Uk)； ③若f(xk)〈fbest，则以当前f(xk)替换fbest，并记录xk，转②；若f (xk)>fbe;st，则放弃当前值，转②；若，即前后两次计算的值不变，则令Xbest = Xk，转④; ④按节当前最优混沌变量Xk，以进一步精细搜索范围，其中冴O <5<1)为调节因子； ⑤在N2次迭代搜索过程中，同样产生随机初始混沌值并进行处理，再将扩展的混沌值代入式①，并输入采样数据计算其预测值，再根据式③计算函数值f (xk)； ⑥若f(xk)〈fbest，则以当前f(xk)替换fbest，并记录xk，转⑤；若f (xk)>fbe;st，则放弃当前值，转⑤；若f(xk+1) = f (Xk) = fbest，即前后两次计算的值不变，则转⑦; ⑦搜索结束，fbest即为待优化函数f的最小值，Xk为最优混沌变量。7.根据权利要求6所述的方法，其特征在于:在过程①设置待优化函数值fbest= 100，初次迭代次数N1 = 100，精细迭代次数N2 = 150 ;在过程④取调节因子0=0.0OOlo8.根据权利要求1所述的方法，其特征在于:在步骤D)，根据混沌搜索计算的待优化函数f的最小值fbest及其对应的最优混沌变量xk，计算出对应的优化模型参数c和δ ;并根据混沌寻优获得的模型参数c和δ，进一步计算出模型系数％和b，代入式①，获得y的表达式，即为确定的优化的LS-SVM预测模型； 其中，模型参数区间为ce (1.0，1000)，δ e (0，10)。9.根据权利要求1所述的方法，其特征在于:在步骤E)，设置一个预测值与实际值的误差率，比较预测结果与实际值误差率，若不大于设置的误差率，则将与预测结果对应时刻的预测对象实际运行状态更新到样本训练数据集中，以便实施下一次的资源预测；否则，将预测结果和本文档来自技高网...

【技术保护点】
基于混沌搜索的LS‑SVM预测模型的建立方法，其特征在于包括下述步骤： A)建立样本训练数据集； B)计算模型系数； C)采用混沌搜索改进算法进行寻优，获得待优化函数的最小值和最优混沌变量； D)确定优化的LS‑SVM预测模型； E)样本更新处理。

【技术特征摘要】

【专利技术属性】
技术研发人员：张润莲，武小年，张明玲，李园园，杨宇洋，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：广西;45