科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对灰狼算法易陷入局部最优解和全局搜索能力不足的问题，通过Halton Sequence搜索算法初始化狼群位置，避免灰狼算法陷入局部最优解和重复运算；引入莱维飞行和随机游动策略对灰狼算法的寻优过程进行优化，以增加算法的全局搜索能力；利用粒子群算法模拟灰狼种群得出的最佳适应度用于惩罚项改进灰狼算法中的头狼更新策略。使用改进算法优化的梯度提升树(GBDT)模型对北京市大气污染物监测数据中PM2.5进行预测，采用三种评估函数对各模型以及混合模型预测效果进行得分评估。结果表明，本文改进的灰狼算法对梯度提升树的优化效果优于其他算法，均方根误差Erms为6.65，平均绝对值误差Ema为3.20，拟合优度(R2)为99%；相较于传统灰狼算法优化结果的均方差误差减少了19.19，平均绝对值误差降低了10.03，拟合优度增加了9%；与另一种改进的灰狼算法相比，预测得分的均方根误差降低了10.39，平均绝对值误差减小了6.71，拟合优度提高了5%。本研究证实了预测模型优化的有效性，为未来城市改善空气质量提供科学依据和技术支持。
