果蝇优化支持向量机对于北京市供水量的预测

网络技术
65
2.3 仿真机测试研究
通过仿真机可以对计算机软件测试及其性能、功能等进行完善工作。

仿真机和宿主机相比而言，前者不仅比后者更直观、真实，并且，仿真机测试还可以测试嵌入式软件的主要技术，以通过测试结果增强软件的可行性。

另外，仿真机所测试出来的结果可以同时作用于宿主机及目标机。

仿真机获取数据测试。

仿真机数据测试是嵌入式计算机软件测试中最难实现的一个问题，在测试嵌入式计算机软件时，其测试过程中必须要对软件设计开发的源代码进行检测，且检测源代码所使用的数据量较大，所以对数据的准确性有更高的要求。

另外，仿真机测试技术除了可以保证数据信息的完整性，还可以在数据缓存完后使用软件测试工具对数据进行修改工作，最大程度的保证了数据的正常输入。

而且，在测试完之后，还可以将缓存的数据整理存储在计算机中。

但这种方式唯一的缺点就是只有保证测试容量大于缓存数据的大小，测试才能够顺利进行。

仿真机仿真测试。

嵌入式计算机软件要想在测试过程中对数据进行集中处理，其仿真测试就需要得到技术的支持，从而顺利开展仿真机仿真测试工作，以实现对数据的仿真模拟。

并且，在整个仿真模拟过程中，均可以清楚地看到技术的使用过程，然后在针对软件的性质进行分类仿真测试，以使仿真测试结果更加精准[4]。

仿真机仿真测试最重要的一点就是在测试过程中，必须要保证传输信号的相对稳定，以保证仿真测试数据信息实现实时性。

3 总结
嵌入式计算机软件对我们的生活产生着着巨大的影响，例如飞机的飞行控制器以及家用电器，如冰箱，这些都运行了嵌入式软件测试技术。

综上所述，在现阶段，嵌入式计算机已经被广泛
应用在社会的多个领域，随着科学技术的进步以及计算机技术的快速发展，嵌入式计算机及嵌入式软件的规模也在不断扩大，嵌入计算机软件开发也越来越复杂。

更重要的是，嵌入式计算机软件与普通的计算机软件相比，其更加具有专用性和专业性。

因此，加强和进一步提高嵌入式计算机软件性能的稳定性，对嵌入式软件的开发和应用都有重要的意义。

引用:
[1]余学文.嵌入式计算机软件测试关键技术探讨[J].电子技术与软件工程,2016(8):63-63.
[2]丛庆.嵌入式计算机软件测试关键技术探讨[J].黑龙江科技信息,2016(24).
[3]王琨.嵌入式计算机软件测试关键技术探讨[J].科技创新与应用,2016(7):87-88.
[4]娄红.嵌入式计算机软件测试关键技术研究[J].电脑知识与技术,2015(13):92-93.作者简介：
谢巧玲（1979—）女，陕西省安康市人，西安文理学院信息工程学院讲师，硕士，主要从事软件开发、软件测试研究。

（西安文理学院信息工程学院 陕西 西安 710068）
果蝇优化支持向量机对于北京市供水量的预测
◆董 桥 李 俊 朱赛楠 姜英姿
摘要：本文针对供水量预测的问题，在传统预测方法上引入果蝇算法，构建优化的FOA-SVR 供水量预测模型，并通过2011-2015的供水量数据对模型进行检验。

结果显示预测模型的平均相对误差为6.05%，说明该方法有效可行。

关键词：支持向量机；果蝇优化；供水量预测
引言
水资源预测的方法有很多，如时间序列法等，但都需要大量的样本数据。

回归支持向量机模型可避免上述缺点，可解决小样本、高维度、非线性的问题。

1 水资源供需平衡的预测模型
1.1 支持向量机回归模型
支持向量机的原理[1]是，构造最优决策函数于高维特征空间：
()()y x x b
ωφ=⋅+把原始解二次规划问题转化为求解线性方程组问题。

在寻找ω,b 时，利用结构风险最小化原则转化为优化问题：
()
()2
21
111minJ ,:,1,2,,i
i i c st y x b i l ωξωξφωξ==+=⋅++=
∑K ξi 为松弛因子，c 是正规化参数。

用拉格朗日法求解，最小二乘法求出a i 与b ，得到非线性预测模型：
()()1
,i
i i i f x a k x x b
==⋅+∑1.2 基于果蝇算法的SVR 参数优化
果蝇算法[2-4]是根据果蝇的觅食行为推演来的一种智能算法。

利用FOA 对SVR 的参数进行优化，建立关于参数（c ，g ）
网络技术
66
3.2 利用果蝇算法迭代寻优
利用果蝇算法对参数（c,g ）进行迭代寻优，设置最大迭代次maxgen=100，群体规模sizepop=20，迭代过程如下
：
图1 迭代寻优图
3.3 测试结果
选取2011-2015年数据进行测试，近五年供水量的真实值分别为36、35.9、36.4、37.5、38.2亿m3，FOA-SVM 预测值分别为34.6691、34.7527、34.7912、34.3294、34.1940亿m3，相对误差分别为3.7%、3.2%、4.4%、8.5%、10.5%，误差较小，说明预测模型有效可行。

4 结语
文中提出了一种基于果蝇优化算法的支持向量机预测模型。

并利用优化后的FOA-SVR 对供水量进行预测，并通过样本进行检验，结果表明预测模型是有效可行.。

引用：
[1]潘长森，基于支持向量机的水资源预测模型[J]，成都信息工程学院学报，2015，30（1）：59-62.
[2]陈必科,赵建强,戴青松. 基于FOA-SVR 算法的边坡稳定性预测方法及其软件设计[J]，企业导报，2014,04:135-138.
[3]王卫红,卓鹏宇，基于PCA-FOA-SVR 的股票价格预测研究[J]，浙江工业大学学报，2016，04：399-404.
[4]周金明 王传玉 何帮强，基于混合核函数FOA-LSSVM 的预测模型[J]，计算机工程与应用，2015，04：133-137.
（徐州工程学院 江苏 徐州 221111）
的目标函数，通过迭代算法寻找一组最优的参数（c ，g ）使目标函数的值最小。

主要步骤为
（1）随机初始化果蝇位置：(),Y axis axis X 。

（2）赋予果蝇随机方向和距离:
i axis X X Random Value
=+i axis Y Y Random Value =+ （2.1）
（3）计算味道浓度判定值S 。

先估计果蝇与原点间的距离Dist ，再根据Dist 计算 S
：
i
Dist = （2.2）
1/i i S Dist = （2.3）
（4）求果蝇味道浓度Smell 。

为求出果蝇个体位置的味道浓度Smell i ，引入味道浓度判定函数，将S 带入该函数()i i Smell Function S = （2.4）（5找出味道浓度最高的个体：
[](),max i bestSmell bestIndex Smell =
（2.5）
（6对味道浓度值最佳的果蝇，保留其坐标值，其他果蝇利用
视觉飞往该位置：
Smellbest =bestSmell
（2.6）
()
axis X Y bestindex =()axis Y Y bestindex =
（2.7）（7）迭代优化.重复步骤（2）到（6），判断果蝇的味道浓度是否优于上一代，若是则用新一代坐标值替换上一代，直到找出最佳坐标值。

2 FOA-SVR供水量预测模型
利用FOA-SVR 供水量预测模型具体步骤如下：(1)选取训练样本，确定影响因素，数据归一化。

(2)建立目标函数：
()
min ,f c g = （2.8）
式中：y i 为第i 个样本的实际值；y i '为第i 个样本的预测值。

(3)初始化模型参数。

选取SVR 的核函数和参数；确定目标函数式(2.8)为果蝇味道浓度判定函数。

确定果蝇算法的迭代次数，规模，算法终止的bestSmell 等参数。

(5)利用果蝇优化算法对SVR 的参数(c ，g)迭代寻优。

根据式(2.2-2.3)计算S i ，将S i 带入式(2.8)中计算Smell i ，迭代循环，寻找bestSmell 。

(6)当bestSmell 小于指定值或者gen=maxgen 时，算法终止，取得最佳(c,g)。

(7)利用最优的(c ，g)建立SVR 预测模型。

3 实例分析
3.1 水资源数据的选取
选取北京市2001-2015年的水资源数据作为训练集合，选取地表水、地下水、再生水、南水北调、应急供水五个因素作为预测模型的输入变量。