基于多智能优化算法的 OSELM 预测模型研究
引言
在大数据背景下，精准预测已成为各领域的关键需求。在线顺序极限学习机（OSELM）凭借其快速的学习速度和良好的泛化能力，在处理数据流和实时预测任务中表现优异。然而，传统 OSELM 依赖随机初始化隐藏层参数，这可能导致模型性能的不稳定，尤其在面对复杂非线性数据时精度受限。为了突破这一瓶颈，引入智能优化算法对 OSELM 的关键参数进行寻优，成为提升预测性能的有效途径。
OSELM 核心原理
OSELM 是极限学习机（ELM）的在线扩展版本，专为处理动态数据流设计。其结构采用单隐层前馈神经网络，输入层到隐藏层的权重与阈值随机生成且固定不变。输出层权重则通过最小二乘法在线更新，以最小化训练误差。这种机制避免了传统神经网络的迭代训练过程，显著提升了计算效率。不过，随机性带来的初始参数偏差仍是影响最终精度的主要因素。
智能优化策略
针对 OSELM 的参数寻优问题，本文探讨了五种典型的群智能算法：
- 沙丘猫算法 (DCA)：模拟沙丘猫在沙漠中的狩猎行为，利用全局搜索与局部开发相结合的策略，平衡探索与开发能力。
- 哈里斯鹰算法 (HHO)：模仿哈里斯鹰的群体围捕策略，通过渐进式俯冲、软围攻等多种攻击模式更新解的位置，有效避免陷入局部最优。
- 鲸鱼算法 (WOA)：基于座头鲸的气泡网捕食机制，利用螺旋运动和收缩包围圈来逼近最优解区域，具备较强的全局定位能力。
- 黏菌算法 (SMA)：模拟黏菌觅食时的化学信号交流，自适应调整移动方向，在复杂搜索空间中表现出优秀的收敛特性。
- 猎食者算法 (PA)：借鉴捕食者与猎物的动态交互，根据猎物位置实时调整追捕速度与方向，加速算法向最优解逼近。
这些算法的核心目标一致：将 OSELM 的隐藏层神经元数量、连接权重及阈值作为变量，在解空间中寻找使预测误差最小的参数组合。
实现流程与实验分析
在实际应用中，构建优化模型的流程通常包含以下几个关键环节：
首先是数据预处理。输入数据需经过清洗和归一化处理，消除量纲差异和噪声干扰，为模型训练提供高质量样本。
其次是适应度评估。将算法生成的参数组合代入 OSELM 进行训练，使用均方误差（MSE）或平均绝对误差（MAE）作为适应度函数。误差越小，代表该组参数越优。
最后是迭代寻优。算法根据各自的更新规则调整种群位置，多次迭代后保留最优参数。当达到最大迭代次数或满足终止条件时，即可得到最终的预测模型。
实验结果表明，相较于传统 OSELM，经上述算法优化后的模型在金融时间序列、气象数据等多个数据集上均取得了显著提升。例如，在金融预测任务中，优化后的 MSE 明显降低；在气象数据场景中，MAE 也有大幅改善。不同算法在不同类型的数据集上展现出各自的优势，如沙丘猫算法在高维数据中表现稳健，而黏菌算法在处理强非线性数据时更为出色。
结论
利用多种智能优化算法改进 OSELM，为解决预测模型精度不稳定的问题提供了新思路。通过参数寻优，模型不仅提高了预测精度，也增强了稳定性。值得注意的是，实际部署时需结合具体数据特征选择合适的优化算法并进行针对性调参。未来可进一步探索多算法融合策略，以适应更复杂的实际应用场景。
