《表3 预测结果对比：改进GWO优化SVM的服务器性能预测》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《改进GWO优化SVM的服务器性能预测》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

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。