QPSO算法优化BP网络的网络流量预测

计算机工程与应用 ›› 2012, Vol. 48 ›› Issue (3): 102-104.

QPSO算法优化BP网络的网络流量预测

冯华丽1，刘渊1，2，陈冬1

1.江南大学信息工程学院，江苏无锡 214122
2.江南大学数字媒体学院，江苏无锡 214122

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2012-01-21 发布日期:2012-01-21

Network traffic prediction based on BPNN optimized by QPSO algorithm

FENG Huali1，LIU Yuan1，2，CHEN Dong1

1.School of Information Engineering，Jiangnan University，Wuxi，Jiangsu 214122，China
2.School of Digital Media，Jiangnan University，Wuxi，Jiangsu 214122，China

Received:1900-01-01 Revised:1900-01-01 Online:2012-01-21 Published:2012-01-21

摘要/Abstract

摘要： 网络流量预测对于大规模网络的规划设计和网络资源管理等方面都具有积极的意义，是网络流量工程重要组成部分。结合QPSO算法和BP神经网络的优势，采用QPSO算法对BP神经网络的权值和阈值进行优化，并利用历史记录训练BP网络。仿真实验表明，与PSO训练的BP网络以及直接用BP网络进行预测的模型相比，基于QPSO训练的BP网络流量预测模型具有更好的预测能力。

关键词: 量子粒子群算法, 粒子群算法, 神经网络, 网络流量, 预测

Abstract: Network traffic prediction is positive significance for design of network and resource management，and it is an important section of traffic engineering.This paper presents a method of network traffic prediction based on the algorithm of QPSO and BP neural network.QPSO algorithm is applied to optimize the weights and thresholds in BP neural network，and historical records are used to train BP neural network.The emulation experiment results show that compared with the model only based on BP neural network model and the model of BPNN trained by PSO，the model of BPNN trained of QPSO is more successful in the network traffic prediction.

Key words: Quantum-behaved Particle Swarm Optimization（QPSO）, Particle Swarm Optimization（PSO）, neural network, network traffic, prediction

冯华丽1，刘渊1，2，陈冬1. QPSO算法优化BP网络的网络流量预测[J]. 计算机工程与应用, 2012, 48(3): 102-104.

FENG Huali1，LIU Yuan1，2，CHEN Dong1. Network traffic prediction based on BPNN optimized by QPSO algorithm[J]. Computer Engineering and Applications, 2012, 48(3): 102-104.

[1]	许昊，张凯，田英杰，种法广，王子超. 深度神经网络图像描述综述[J]. 计算机工程与应用, 2021, 57(9): 9-22.
[2]	冉蓉，徐兴华，邱少华，崔小鹏，欧阳斌. 基于深度卷积神经网络的裂纹检测方法综述[J]. 计算机工程与应用, 2021, 57(9): 23-35.
[3]	牟清萍，张莹，张东波，王新杰，杨知桥. 目标丢失判别机制的视觉跟踪算法及应用研究[J]. 计算机工程与应用, 2021, 57(9): 140-147.
[4]	包志强，邢瑜，吕少卿，黄琼丹. 改进YOLO V2的6D目标姿态估计算法[J]. 计算机工程与应用, 2021, 57(9): 148-153.
[5]	王林，柴江云. 深度神经网络在多场景车辆属性识别中的研究[J]. 计算机工程与应用, 2021, 57(9): 162-167.
[6]	黄冬宜，杨兵，吴子豪，匡佳一，颜泽明. 用于全市蜂窝流量预测的时空全连接卷积网络[J]. 计算机工程与应用, 2021, 57(9): 168-175.
[7]	赵志焱，杨华，胡志伟，宇海萍. 基于TACNN的玉露香梨叶虫害识别[J]. 计算机工程与应用, 2021, 57(9): 176-181.
[8]	周伦钢，孙怡峰，王坤，吴疆，黄维贵，李炳龙. 目标多种多值属性的端端快速识别网络[J]. 计算机工程与应用, 2021, 57(9): 182-190.
[9]	张成，戴俊峰，熊闻心. 融合LeNet-5改进的扫描文档手写日期识别[J]. 计算机工程与应用, 2021, 57(9): 207-211.
[10]	麻哲旭，杨峰，乔旭. 铁路路基病害智能检测方法[J]. 计算机工程与应用, 2021, 57(9): 272-278.
[11]	史春天，曾艳阳，侯守明. 群体智能算法在图像分割中的应用综述[J]. 计算机工程与应用, 2021, 57(8): 36-47.
[12]	蒋斌，钟瑞，张秋闻，张焕龙. 采用深度学习方法的非正面表情识别综述[J]. 计算机工程与应用, 2021, 57(8): 48-61.
[13]	李震霄，孙伟，刘明明，郑丽丽，陈劭颖. 交通监控场景中的车辆检测与跟踪算法研究[J]. 计算机工程与应用, 2021, 57(8): 103-111.
[14]	张越，黄友锐，刘鹏坤. 引入注意力机制的多分辨率人体姿态估计研究[J]. 计算机工程与应用, 2021, 57(8): 126-132.
[15]	李现国，冯欣欣，李建雄. 多尺度残差网络的单幅图像超分辨率重建[J]. 计算机工程与应用, 2021, 57(7): 215-221.