SDMN移动流量预测技术研究

⃝可在www.sciencedirect.com在线获取ScienceDirectICTExpress 7（2021）143www.elsevier.com/locate/icte基于SDMN流量的增强鲸鱼优化流量预测阿妮塔？辛格罗娃？阿努普里亚？Deenbandhu Chhotu Ram科技大学计算机科学与工程系，Murthal，Sonepat，印度接收日期：2021年1月30日;接收日期：2021年3月28日;接受日期：2021年5月4日2021年5月13日网上发售摘要在当今的情况下，移动设备的数量正在突飞猛进地增加，因此网络高度拥塞。到有效地使用现有的网络，提前了解流量将是非常有益的。移动流量预测可以使软件定义移动网络（SDMN）有效地利用网络资源和带宽。因此，本文旨在使用自然启发的优化技术来预测SDMN的移动流量。所获取的数据是使用Wireshark捕获的。为了准确预测网络流量，提出了一种基于最小二乘支持向量机（LSSVM）函数估计的鲸鱼优化算法（WOA）训练模型。该技术通过优化核参数，即正则化和核宽度，提高了全局搜索的概率。参数：均方误差（MSE）、真阳性率（TPR）、真阴性 率（TNR），准确性和精度评估所提出的优化算法。将最小二乘支持向量机-鲸鱼优化算法（LSSVM-EWOA）与最小二乘支持向量机-鲸鱼优化算法（LSSVM-WOA）进行了流量预测比较。该模型的预测准确率为98.10%，证实了该模型的有效性和实际应用价值c2021韩国通信和信息科学研究所（KICS）。出版社：Elsevier B.V.这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。关键词：软件定义移动网络;支持向量机;鲸鱼优化算法1. 介绍据观察，随着人口的指数增长和社会的快速发展，5G移动网络的使用正在急剧增加[1]。随之而来的是对网络服务资源的需求不断增加。网络资源的有效利用对于未来移动技术（5G、6G及更高）的成功至关重要。一个客户采用模型来了解5G服务的发展，同时考虑到5G采用预测也正在出现[2]。SDMN是下一个可能的解决方案的概念，因为它为网络资源提供了一个集中的基于软件的控制架构。因此，有必要开发向SDMN控制器提供有效资源利用信息的算法。更准确∗ 通讯作者。电子邮件地址：gmail.com（Anupriya），nidhianita@gmail.com（A.Singhrova）。同行评审由韩国通信和信息科学研究所（KICS）负责https://doi.org/10.1016/j.icte.2021.05.005需要在SDMN控制器中植入业务预测模型，以便可以对资源分配和负载平衡做出智能决策。这将使得能够预测特定链路的未来带宽和其他资源使用。流量预测的目的是适应用户产生的动态带宽请求，从而提供所需的资源。由于对资源的需求随时间变化，因此有必要预测传入流量并相应地分配资源。对传入流量的准确预测取决于一系列因素：数据样本大小、用于训练的模型和用于参数优化的优化器。支持向量机（SVM）和最小二乘支持向量机（LSSVM）等非线性预测模型能够更好地描述网络流量。因此，SVM或LSSVM被用作训练模型。在网络流量预测中，参数的取值是模型成功的关键。因此，典型的优化问题是优化参数值。首先，这些参数使用初始值进行初始化，然后进行调整，然后进行训练。在初始训练之后，运行优化算法以找到最优解。2405-9595/2021韩国通信和信息科学研究所（KICS）。出版社：Elsevier B.V.这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。Anupriya和A. 辛格罗娃ICT Express 7（2021）143144参数值。再次，使用训练模型用优化的参数重新训练模型。对于复杂的优化任务，参数初值的选取和目标函数的选取都很难满足要求。为了解决这些问题，本文采用了基于随机优化机制的WOA算法。WOA算法具有设计简单、控制参数少、收敛速度快等优点。本文的其余部分组织如下。第2节简要描述了文献综述。第3节介绍了本文所使用的方法。第4节介绍了数据的预处理。使用的培训模型的各个步骤在第5节中描述了该文件。第6节介绍了应用于训练模型的现有和拟议的鲸鱼优化技术。第7节介绍了本研究的结果，然后是结论。2. 文献综述支持向量机是数据集分类和函数估计的有效工具。Keerthi等人[3]对SVM中使用的顺序最小算法提出了一些改进。Lin [4，5]为支持向量机的收敛性提供了多方面的证明。Yang等人[6]提出了一种扩展拉格朗日支持向量机（ELSVM）模型，该模型可以增强SVM的性能。Suykens等人[7]提出了SVM的修改版本，称为LSSVM。在[8]中，LSSVM用于具有较小数量的非常大的数据 的特征。根据[9]，最新的文献[10]建立了一个使用LSSVM预测网络流量的模型最小二乘支持向量机的性能取决于其正则化参数和核宽度参数。为了确定这些参数的最佳值，可以使用各种自然启发算法，例如粒子群优化（PSO）[11]和人工蜂群算法（ACO）[12]。但是，蚁群算法和粒子群算法的缺点是这些算法获得最优解的速度较慢。最近开发的受自然启发的WOA [13]是一种新的进化计算和优化技术。这种新的优化算法的优点是设计简单，参数最少，可以非常快地获得最佳解。作者在ImprovedWhale Optimization Algorithm（IWOA）[14]中利用差分进化方法改进了种群的自更新方法。[15]中的作者使用混沌方法来确定更新个体的可能性。基于WOA [16]的飞行轨迹与L'vy轨迹的混合改进了微分，从而防止了不成熟收敛。另一种改进的鲸鱼优化算法（MWOA）[17]使用二次插值方法进行开发。自适应鲸鱼优化算法（AWOA）[18]增强了WOA的本地优化方法。论文[19]探索了使用混沌方法的鲸鱼优化算法（WOAC）[19]，该算法利用这一优势进行局部开发和全局探索。另一种使用余弦因子和WOA突变的算法[20]包括控制参数的余弦因子。针对WOA算法的不足，提出了一种基于超启发式的算法通过使用微分方程[21]选择一个混沌因子和一组人口。在[22]中，通过使用高斯变异来开发改进的WOA，以提高精度和收敛速度。作者在[23]中修改了本地WOA的参数值。在[24]中使用了一种基于鲸鱼优化和爬山算法的复合元启发式方法。WOA在不同场景中的广泛应用促使作者考虑将WOA作为一种优化算法用于交通预测。因此，本文提出了增强鲸优化算法（EWOA）来确定交通流预测中最小二乘支持向量机模型的参数。3. 方法本文采用的方法的完整流程在图中简要详细说明。1.一、详细方法1： 通过Wi-Fi网络生成交通数据。2： 通过在连接到同一网络的系统上运行Wireshark来捕获Wi-Fi数据。3： 使用固定时隙的数据重新成帧。4：使用来自上一步的数据使用LSSVM训练模型以获得初始超参数（正则化和核宽度）。5.应用提出的优化算法（EWOA）对上述两个参数进行优化。6：使用优化的参数重新训练模型。7：从训练模型计算性能参数（MSE、混淆矩阵和准确度）。图8： 在性能参数方面，将所提出的训练模型（LSSVM-EWOA）与现有模型（LSSVM-WOA）进行比较。9、结果分析4. 数据预处理数据流量是通过在Wi-Fi网络中泛洪IP语音（VoIP）呼叫生成的。这种洪泛导致单个时间间隔内的突发流量。通过在同一Wi-Fi网络中连接的系统上运行Wireshark捕获引擎来捕获此流量。Wireshark捕获引擎可同时从多个网络接口捕获实时网络数据。捕获的数据以.csv格式保存，用于生成特定时间间隔的流量峰值。这些流量峰值是使用该网络链路所允许的数据流量的阈值（10 μ 2微秒）生成的Anupriya和A. 辛格罗娃ICT Express 7（2021）143145−==Fig. 1. 详细方法流程图。图3.第三章。 显示上界和下界的流量范围图。5.1. 预测模型SVM或LSSVM模型可以针对模型的类型参数进行初始化。在SVM中，类型被初始化为classi fication（c），因为SVM只进行分类，输出是离散值的形式，并给出不同的类即正常、突发和峰值流量，而LSSVM使用函数估计（f）和RBF核。RBF-Kernel用于更复杂的问题，因为与线性和多项式内核相比，它使用更高的维度。由于在RBF核中使用回归，因此输出是置信区间的连续值。这个特性使得LSSVM成为流量预测的明显选择。在解析网络数据之后，使用等式（1）计算流量范围。（一）.训练模型使用流量范围来找到预测模型的置信区间的上界和下界最大值（传输）最小传输范围（传输）10（一）图二、W i - F i 网络的网络数据的生成&捕获。在图2中，选择用于制作帧的时隙是以这样的方式选择的，使得当在图中绘制时，该数据的业务峰值既不会变得过于笨拙，也不会越过图的边界。因此，时隙0.0001 s被发现是合适的时隙。此后，向网络节点通知网络中的峰值。这里，选择时隙并且使用固定时隙解析数据。位于单个时隙内的分组被聚集在一起以形成单个帧。5. 训练模型在本文中，统计训练模型（SVM或LSSVM）可以用来预测网络流量。这些模型使用解析的数据集和作为第4节中数据预处理结果获得的流量范围进行训练。其中业务范围的起始值是min（traffic），最后值是max（traffic）。所有的业务范围参数，业务，业务范围，内核值和函数估计被馈送到模型以初始化模型值。图3 .第三章。显示了相对于网络流量绘制的流量范围以及流量的平均值和标准差。5.2. 预测模型初始化后，模型调整的初始超参数的值主要用于预测。这些被称为正则化参数（γ）和核宽度参数（σ2），也被称为带宽参数。5.3. 预测模型超参数的初始值被送入训练模型，以获得支持值和LSSVM的函数逼近的偏差项。X和Y是分别保存训练输入和输出数据的矩阵。第i个数据点由第i行X和Y表示。γ是Anupriya和A. 辛格罗娃ICT Express 7（2021）143146∑=∀（1）∈∈∀===（ 、）的内容正则化参数当γ值较低时，强调模型复杂度的最小化;当γ值较高时，强调训练数据点的良好拟合。在RBF核的情况下，σ2是核的参数，σ2的大值指示置信区间的曲线的更强平滑和更好的准确性。6. 预测模型在网络流量预测模型中，控制参数的确定至关重要.控制参数对预测结果有重要影响寻找预测模型的最优控制参数是一个传统的优化问题。使用均方误差（MSE）评估模型参数的值，即真实值和预测值的平方误差之和。它被定义为各种控制参数的适应度值，如下所示：Kf i tness value（X）=（2）第一章：i=1其中，X是模型参数，yi是实际网络流量，y′′是预测流量，k是用于优化模型的迭代次数。 给你，K 100。 随着适应度值的增加，预测模型的精度提高图四、 搜索代理（鲸鱼）的3D图。鲸鱼种群的初始迭代在X和Y轴上。在X和Y轴上的矢量点以这样的方式绘制，它们给出了鲸鱼般的运动，Z轴被示出为给出鲸鱼（搜索代理）的适应度得分的度量。X轴和Y轴使用矢量点（i，2，3，. N）获得。在设计鲸鱼三维搜索空间后，利用第一个种群首领鲸鱼的位置向量和得分初始化模型。用于最小化的适应度函数在等式中给出。（4）、健身函数（PW1，2，.M）=函数较小，因此预测模型预测更准确，更接近真实场景。分析最小值（Ni=1PWi）） （4）网络流量预测问题给出为：PWn=随机数M1（U B−L B）+L B（5）min f i tness value（X）s. t. L B≤X 在步骤6中获得的适应度函数的值）在搜索代理的100次迭代之后，找到最终的领导者搜索代理，其给出参数的最优值发现的领头鲸的位置和适应度值为：适应度（PW L）= 1。5168e− 73和位置（PWL）=-3。8946e- 37（见表1和表2）。7. 结果与分析对于这两种算法，网络流量的大小被认为是P的10 000，在本文中考虑的网络流量的子集。使用Matlab软件版本“Matlab 2016a”完成实验分析这两种算法都计算了N 100次，其中N表示优化算法的迭代次数。这两种算法在相同的条件下执行结果7.1. 传入流量使用等式更新领导职位（七） （8）.按照步骤6更新适应度函数的Leader得分8. End if9. 更新全球最佳解决方案10. T T 111. End While12. 输出最佳搜索代理。6.2. EWOA中搜索代理的参数优化在LSSVM-EWOA中，搜索代理的数量取为 30，以避免过度拟合所提出的模型。鲸的数量（M 30）通过使用等式（1）以初始位置初始化。（五）、在这个等式中，LB 42和UB 2.565743809523810e+04。得到了这些界的值通过使用等式中给出的流量范围（一）.LB= − min（流量-范围）（9）UB= max（流量-范围）（10）∞Anupriya和A. 辛格罗娃ICT Express 7（2021）143表149149基于预处理的网络流量值，提出的预测模型如图所示。五、它认为从所提出的算法获得的优化参数。计算置信区间的值，并为所述区间绘制安全区面积。置信区间定义为数值范围，以统计平均值上下为界。该范围是由于网络流量中相关的标准偏差而获得的。置信水平是指置信区间将包括预测范围内的传入网络流量的概率或确定性的百分比。该模型的置信区间由流量范围和适应度函数值确定。图中也显示了同样的情况。第 六章7.2. 收敛曲线根据等式中的平均值，（11）中，γ和σ2的值被微调，以便如图11所示的收敛曲线图所示的那样收敛。第七章该算法的适应度函数值摘自第6.2节。所提Anupriya和A. 辛格罗娃ICT Express 7（2021）143150∑1=i表2适应度函数w.r.t.算法迭代OCNa健身值OCNa健身值OCNa健身值OCNa健身值OCNa健身值I12847.1I214.29E−11I413.11E−17I615.29E−31I819.10E−49I2 438.11I223.71E−11I426.38E−18I627.10E−32I822.68E−50I3 2.7884I233.71E−11I436.38E−18I638.81E−33I833.12E−51I4 2.7884I242.36E−11 I446.38E−18I641.85E−33I844.20E−52I52.7884I252.36E−11I459.62E−19I652.19E−34I851.63E−54I62.7884I262.36E−11I465.12E−19I661.25E−34I861.70E−57I70.005079I272.36E−11I471.10E−22I673.16E−36I871.70E−57I80.005079I281.66E−11I482.04E−23I681.15E−36I882.86E−59I9 0.001135 I29 9.08E−12 I49 4.78E−24 I69 5.50E−40 I892.22E−59OCNa健身值OCNa健身值OCNa健身值OCNa健身值OCNa健身值I100.000262I306.88E−12I504.78E−24I705.21E−40I903.92E−61I113.77E−06I316.88E−12I514.78E−24I712.94E−41I913.40E−63I123.77E−06I325.02E−12I524.64E−24I721.97E−41I923.84E−65I133.77E−06I331.33E−12I534.20E−25I738.09E−42I932.66E−67 I143.77E−06I342.18E−13I544.20E−25I743.98E−42I941.90E−68 I151.78E−08I357.98E−14I558.10E−26I756.79E−43I959.48E−71 I164.20E-09I364.79E−14I564.81E−27I761.73E−44I964.71E−71 I174.20E-09I376.43E−17I574.63E−28I771.73E−44I971.24E−71 I183.05E−09I386.43E−17I583.41E−30I789.47E−46I984.75E−72 I194.45E−10I396.43E−17I591.16E−30I791.09E−46I991.36E−72 I20 4.45E−10 I40 3.11E−17 I60 1.16E−30 I80 1.58E−47 I1001.52E−73a优化周期数。图五、 优化γ、σ 2.图第六章E W O A 中 流 量 的 置信区间和安全区。图第七章E W O A 中优化函数的收敛性。算法是通过在方程中给出的适应度函数获得的（4）并考虑以下性能参数M平均误差（11）mi= 1其中，误差i=|预测值i-实际值i|（ 十二）M表示鲸鱼（搜索代理）的数量，预测值i表示从所提出的模型获得的业务的预测值，而实际值i表示网络业务的实际值。7.3. 业绩计量和分析用30%的预处理数据对所提出的模型和现有模型进行了检验以下Anupriya和A. 辛格罗娃ICT Express 7（2021）143151∑1=−p ii=====∑∑+Accuracy=见图8。 MSE和RMSE。性能参数被认为是用于测试所提出的算法LSSVM-EWOA的效率和它与现有的模型LSSVM-WOA的比较。7.3.1. 均方误差MSE定义为估计值和实际值之间的平均平方差，并给出为：nMSE（实际流量预测交通量）2pi=1（十三）其中n78 120是数据库中的实例数，p 1999是n的子集。在所提出的工作中，经过最后一次迭代的模型，得到的MSE值为0.4491。图第九章 LSSVM-EWOA和LSSVM-WOA的混淆矩阵。其中TP、FN、FP和TN分别表示真阳性、假阴性、假阳性和真阴性的数量。(a) 真阳性率（TPR）或灵敏度：它被给出为T P R=T P/（T P+F N）（16）(b) 真阴性率（TNR）或特异性：可以表示为：T N R=T N/（T N+F P）（17）对于好的分类器，TPR和TNR都应该接近100%。图10中绘制了TPR和TNR获得的值与迭代次数的关系。准确性也可以根据TPR和TNR定义为：因此，可以从MSE获得RMSE。使用LSSVM从预测模型获得的RMSETPR+ TNR准确度2（十八）EWOA为0.6700。MSE和RMSE的值绘制在图中。 八、7.3.2. 混淆矩阵图9中所示的混淆矩阵是根据在执行模型测试时从训练模型获得的TP、FP、TN、FN的值绘制的。由EWOA模型预测的阳性警报的数量是1470个，占1999年总数的1470个，但在WOA的情况下，真阳性警报是1388个。EWOA模型预测的真负报警数为491WOA模型为463。EWOA模型预测的误报数为28，WOA模型预测的误报数为111。EWOA模型预测的假阴性报警数为LSSVM-WOA和LSSVM-EWOA的精度如下所示：图十一岁该模型的准确率为98.20%，优于LSSVM-WOA。这是因为所提出的算法使用当前鲸鱼到当前领导鲸鱼的距离和取决于鲸鱼当前位置的适应度得分来训练模型。这将导致计算下一个最佳参数7.3.4. 精度精确度定义为所提出的模型声明的真阳性占总阳性的比例。其定义为：WOA模型为37。精密度T PT P+F P（十九）7.3.3. 精度准确度可以定义为正确分类实例的百分比。它是由随着训练模型迭代次数的增加，所提出的模型获得了更准确的流量峰值真警报（真阳性）数量，从而达到True Positiv e True Negativ e∑T总人口orAccuracyT P+T NT P+ T N+ F P（十四）（十五）Anupriya和A. 辛格罗娃ICT Express 7（2021）143152如图1所示。 12个。8. 结论参数选择是提高训练模型性能在本文中，Anupriya和A. 辛格罗娃ICT Express 7（2021）143153图10. L S S V M - E W O A 的 TPR和TNR。网络流量数据，它可以有效地用于5G及更高版本的SDMN控制器。此外，所提出的算法有助于SDMN采取明智的决定，如带宽，QoS和负载平衡的网络资源的分配。将来，这项工作可能会扩展到多目标优化或基于物理的模拟退火优化。此外，神经网络的特征也可以加入到LSSVM的训练模型中。图十一岁 LSSVM-WOA和LSSVM-EWOA的准确性。见图12。 LSSVM-EWOA的精度在每次迭代时，使用更新的拟合度得分公式和领头鲸的欧几里得距离将训练模型与EWOA集成。所提出的方法的性能进行评估，并与本地WOA。两个标准来评估每种方法：优化模型的准确性和MSE的收敛曲线。仿真结果表明，该算法提高了WOA的性能.准确率98.10%与WOA的92.60%相比，EWOA实现了。类似地，EWOA的降低的MSE和RMSE，即分别为0.4491和0.6700，比WOA好得多。由于所提出的LSSVM-EWOA在预测上更准确，CRediT作者贡献声明Anupriya：概念化，设计，形式分析，写作-评论编辑。Anita Singhrova：概念化，设计，形式分析，写作-评论编辑。竞合利益作者声明，他们没有已知的可能影响本文所报告工作引用[1] Vladimir Vapnik，《统计学习理论的本质》，第二版，SpringerVerlag ， New York ， 1995 ， http://dx.doi.org/10.1007/978-1-4757-3264-1。[2] J.H. Jahng，S.K. Park，基于仿真的5G移动应用预测，ICT Express6（2）（2020）109http://dx.doi.org/10.1016/[3] S.S. Keerthi， S.K. 谢瓦德角 Bhattacharyya ，K.R.K. Murthy，Im-provisions to platt's SMO algorithm for SVM classifier design，NeuralComput. 13（3）（2001）637http://dx.doi.org/10.1162/[4] 林振杰，支持向量机分解方法的收敛性，IEEE Trans.神经网络。12（6）（2001）1288http://dx.doi.org/10.1109/72.963765[5] 林振杰，一种无假设的SMO算法的渐近收敛性，IEEE Trans.NeuralNetw. 13（1）（2002）248http://dx.doi.org/10.1109/72.977319[6] X.W.公司扬湖，澳-地Shu，Z.F. Hao，一种用于分类的扩展拉格朗日 支 持 向 量 机 ， Prog. 自 然 科 学 14 （ 6 ） （ 2004 ）519http://dx.doi.org/10.1080/10020070412331343881Anupriya和A. 辛格罗娃ICT Express 7（2021）143154[7] JAK杨文，最小二乘支持向量机分类器，神经网络。9（1999）293http://dx.doi.org/[8] K.S.蔡美儿，大型最小二乘支持向量机分类器的有效计算，模式识别。Lett. 24（2003）75//dx.doi.org/10.1023/A:1018628609742网站。[9] S. 好 吧 ， K 。 Scheinberg ， Efficient SVM training using low-rankkernelrepresentations，J. 马赫学习. Res. 2（2）（2002）243[10] 赵亚平，张和生，周卓南，基于最小二乘支持向量机的交通量预测模型，J. 北京交通大学35（2011）115[11] 廖荣基，H.B. Zheng，S. Grzybowski，L. J. Yang，基于粒子群优化-最小二乘支持向量回归的油浸电力变压器中溶解气体预测模型，电力系统研究81（2011）2074 http://dx.doi.org/10.1016/j。epsr.2011.07.020网站。[12] M.H. Sulaimana ， M.W.Mustafab ， H.Shareefc ， S.N.Abd-Khalid，人工蜂群算法与最小二乘支持向量机在放松管制的电力系统中用于有功和无功功率跟踪的应用，Int. J. Electr. Power 37（2012）67http://dx.doi.org/10.1016/j.ijepes.2011.12.007[13] S. Mirjalili，A.刘伟，鲸鱼优化算法，高等工程软件。95（2016）51 http://dx.doi.org/10.1016/j.advengsoft.2016。一点零八分[14] 熊国杰，张俊，邓玉。Shi，Y.他，太阳能光伏模型的参数提取使用改进的鲸鱼优化算法，能量转换。管理。174（2018）388http://dx.doi.org/10。1016/j.enconman.2018.08.053.[15] G. Kaur，S.王晓刚，混沌鲸优化算法，计算机科学，2000。Des.Eng. 5（2018）275 http://dx.doi.org/10.1016/j.jcde.2017.12。006.[16] Y. Ling，Y.Q. Zhou，Q.F. Luo，Levy基于飞行概率的全局优化鲸鱼优化算法，IEEEAccess5（2017）6168http://dx.doi.org/10.1109/ACCESS.2017.2695498[17] 孙 耀 君 ， X.L. T.H. Wing Chen ， Z.J. Liu ， A modified whaleoptimization algorithm for large-scale global optimization problems，ExpertSyst.Appl.114（2018）563http://dx.doi.org/10.1016/j.eswa.2018. 八点零七分[18] W. Sun，C.C. Zhang，Analysis and forecast of the carbon price usingmulti-resolution singular value decomposition and extreme learningmachine optimized by adaptive whale optimization algorithm，Appl.Energy 231 （ 2018 ） 1357 http://dx.doi.org/10.1016/j.apenergy.2018.09.118。[19] 王杰湖，加-地Zhang C.，中国古猿科施，基于混沌搜索策略的鲸鱼优化算法，中国。控制决策34（9）（2019）1893[20] Q. Huang等人，基于余弦控制因子和多项式变异的鲸鱼优化算法。中国35（2020）559-568.[21] M.A. Elaziz，S. Mirjalili，一种改进鲸鱼优化算法初始种群的超启发 式 算 法 ， Knowl.- 基 于 系 统 。 172 （ 2019 ）42http://dx.doi.org/10.1016/j.knosys.2019.02.010[22] H.张丽唐角，澳-地Yang等人，使用改进的鲸鱼优化算法定位具有服务容量的电动汽车充电站，Adv. Eng. Inf. 41（2019）100901，http://dx.doi.org/10.1016/j.aei.2019.02.006。[23] M.A. Elhosseini，A.Y. Haikal，M. Badawy等人，基于A-C参数鲸鱼优 化 算 法 的 机 器 人 稳 定 性 ， J. COMPUT 。 Sci. 31 （ 2019 ）17http://dx.doi.org/10.1016/j.jocs.2018.12.005[24] G. Nagarajan，L.D.D. Babu，一种基于鲸鱼优化和后期接受爬山的插补的混合方法，以增强电子健康记录的分类性能，J. Biomed。告知。94（2019）103190，http://dx.doi.org/10.1016/j.jbi.2019.103190。