增强的多层感知器用于二氧化碳排放预测,最糟糕的扰飞优化 (WMFO)

科学领域:

• 计算智能是一种计算智能.
• 优化算法 优化算法
• 机器学习 机器学习

背景情况:

• 人口停滞和低多样性是优化算法中常见的问题,例如波动优化 (MFO).
• 这些局限性可能会阻碍算法的找到最佳解决方案的能力,导致复杂问题中的性能不足.

研究的目的:

• 引入最坏的波动优化 (WMFO) 策略,以增强MFO算法.
• 为应对人口停滞和MFO低多样性的挑战,改善全球搜索能力.
• 应用增强的算法来准确预测碳排放.

主要方法:

• 开发最坏的波动优化 (WMFO) 策略,作为对波动优化 (MFO) 算法的增强.
• 在CEC15基准测试函数上评估WMFO,将其性能与MFO和其他使用弗里德曼和威尔科克森测试的最先进算法进行比较.
• 引入混合模型,WMFO-MLP,将WMFO与多层感知器 (MLP) 结合起来,用于碳排放预测中的参数调整.

主要成果:

• 在CEC15基准函数上,WMFO表现出了66.6%的显著效率,并且在CEC15基准函数上表现出色.
• 统计测试 (弗里德曼和威尔科克森) 证实了WMFO在现有的先进算法上的优势.
• 混合WMFO-MLP模型在碳排放预测方面实现了97.8%的卓越总准确性,在精度,可靠性和效率方面超过了替代方法.
• 功能重要性分析强调石油效率 (40%) 和经济增长 (26.5%) 是碳排放的关键预测指标.

结论:

• 该战略有效地克服了人口停滞和MFO的低多样性问题,增强了全球搜索能力.
• WMFO-MLP混合模型在优化和预测建模方面取得了重大进展,特别是在碳排放预测方面.
• 这些发现表明,WMFO-MLP在环境和经济预测中的实际应用,利用能源效率和经济指标等关键因素.