文献类型：期刊文章

作　　者：智春[1] 杨呈永[2] 崔建明[3]

ZHI Chun;YANG Cheng-yong;CUI Jian-ming(College of Information Science and Engineering,Guilin University of Technology,Guilin 541006,China;Modern Educational Technology Center,Guilin University of Technology,Guilin 541006,China;School of Continuing Education,Guilin University of Technology,Guilin 541006,China)

机构地区：[1]桂林理工大学信息科学与工程学院,广西桂林541006 [2]桂林理工大学现代教育技术中心,广西桂林541006 [3]桂林理工大学继续教育学院,广西桂林541006

出　　处：《桂林理工大学学报》

基　　金：广西自然科学基金项目(2018GXNSFA281235);广西高校中青年教师科研基础能力提升项目(2018KY0252);赛尔网络下一代互联网技术创新项目(NGII20180512)。

年　　份：2022

卷　　号：42

期　　号：1

起止页码：236-241

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、JST、ZGKJHX、核心刊

摘　　要：针对蚁群算法容易陷入局部最优、网络流量预测准确性不高的问题,提出一种基于局部均值分解(LMD)改进蚁群优化高斯过程回归(GPR)的预测算法。考虑到网络流量的复杂性,使用LMD将网络流量分解成多个相关的子序列;通过GPR对网络流量子序列进行建模分析;用蚁群算法优化超参数,引入视线角度参数控制蚂蚁搜索时的视线范围,提高蚂蚁的局部搜索能力;通过莱维飞行更新蚂蚁搜索的步长,提高蚁群算法搜索的全局性。实验表明,改进后的蚁群算法搜索到了更优的值,与原有GPR算法相比,LMD分解后改进蚁群优化GPR的算法来预测网络流量,更好地拟合了网络流量的走向,提高了预测的效果,对维护网络安全具有一定的作用。

关 键 词：LMD  高斯过程回归  蚁群算法 视线 莱维飞行  网络流量

分 类 号：TP391]