《表3 预测结果对比:改进GWO优化SVM的服务器性能预测》
由图4和图5可知,SVM算法和ABC-SVM算法对服务器性能与实际值拟合度不高,相比GWO-SVM算法、DE-GWO-SVM算法,其预测精度较低。从表3可得,DE-GWO-SVM优化算法的MAE为0.0002、MSE为0.0069*10-5、MAPE为0.0104,这3个值与其它3种算法相比都有明显改进。之后本文采用MSE均方误差作为最佳适应度值,由图8~图10可知,随着迭代次数增加,DE-GWO-SVM的最佳适应度值均小于其它算法,ABC-SVM算法在第50次迭代后最佳适应度值基本保持稳定,相比于GWO-SVM、DE-GWO-SVM算法,它存在过早成熟,易陷入局部最优缺陷。GWO-SVM算法随着迭代次数的增加持续上下剧烈波动,说明此算法具有收敛速度较慢、不稳定缺陷。DE-GWO-SVM算法曲线整体呈下降态势,在150次迭代后有稳定趋势。由此可知改进后的算法性能更好。它避免了过早成熟和局部最优的缺陷,且具有全局搜索能力。
图表编号 | XD00111164500 严禁用于非法目的 |
---|---|
绘制时间 | 2019.11.16 |
作者 | 李建民、陈慧、杨冬芹、林振荣 |
绘制单位 | 南昌大学信息工程学院、南昌大学信息工程学院、江西工业职业技术学院电子信息工程分院、南昌大学信息工程学院 |
更多格式 | 高清、无水印(增值服务) |