[发明专利]一种基于蚁狮优化的LSSVM年用电量预测方法

权利要求书

1.一种基于蚁狮优化的LSSVM年用电量预测方法，其特征在于，所述的年用电量预测方法包括以下步骤：

S1、确定LSSVM预测模型的输入变量；

S2、初始化蚁狮优化算法，将初始蚁狮位置作为核参数和正则化参数代入LSSVM模型，得到相应的年用电量预测值；

S3、建立适应度函数，计算初始蚁狮位置的适应度值，得到初始适应度值，保留最小初始适应度值对应的蚁狮作为初始精英蚁狮；

S4、更新蚂蚁位置，计算当代蚂蚁的适应度值，并与当代蚂蚁对应的蚁狮位置的适应度值进行比较，判断是否更新蚁狮位置；

S5、将上一步得到的蚁狮位置的适应度值逐一与上一代精英蚁狮位置的适应度值比较，保留较小适应度值对应的蚁狮位置，得到本次迭代精英蚁狮位置；

S6、判断是否达到最大迭代次数，若为是，则输出精英蚁狮位置及其相应的年用电量预测值，若为否，返回S4。

2.根据权利要求1所述的一种基于蚁狮优化的LSSVM年用电量预测方法，其特征在于，步骤S1具体为：采用灰色关联分析方法，获得年用电量影响因素和年用电量之间的关联度值，根据关联度值，选择相应的年用电量影响因素作为LSSVM预测模型的输入变量。

3.根据权利要求1所述的一种基于蚁狮优化的LSSVM年用电量预测方法，其特征在于，步骤S2中初始化蚁狮优化算法包括以下步骤：

S201、参数初始化，包括种群规模Agents_no，解的维数d＝2，解空间的上界b_up，解空间的下界b_low，最大迭代次数Max_iter；

S202、位置初始化，随机产生蚂蚁的位置矩阵M_Ant和蚁狮的位置矩阵M_Antlion。

4.根据权利要求3所述的一种基于蚁狮优化的LSSVM年用电量预测方法，其特征在于，S201中所述的解空间的上界b_up＝[1000,1000]，下界b_low＝[0.1,0.01]。

5.根据权利要求3所述的一种基于蚁狮优化的LSSVM年用电量预测方法，其特征在于，S202中蚂蚁的位置矩阵M_Ant和蚁狮的位置矩阵M_Antlion为：

其中M_Ant和M_Antlion中的值由式A_*j或AL_*j＝rand*(b_upj-b_lowj)+b_lowj得到，A_*j和AL_*j分别表示蚂蚁位置矩阵和蚁狮位置矩阵第j列的值，rand为0到1之间的一个随机数，n＝Agents_no，b_upj和b_lowj分别为第j列的上界和下界，M_Ant和M_Antlion的每一行均对应LSSVM的一组核参数和正则化参数，即(σ,γ)。

6.根据权利要求1所述的一种基于蚁狮优化的LSSVM年用电量预测方法，其特征在于，步骤S3中的适应度函数为：其中，和分别为第s组检验样本的实际值和预测值，N为样本个数。

7.根据权利要求1所述的一种基于蚁狮优化的LSSVM年用电量预测方法，其特征在于，步骤S4中蚂蚁位置的更新公式为其中，表示在蚁狮周围随机游走的第t次迭代轮盘赌所选择的蚂蚁位置，表示在精英蚁狮周围随机游走的第t次迭代的蚂蚁位置，为第t次迭代时第i个蚂蚁的位置。

8.根据权利要求7所述的一种基于蚁狮优化的LSSVM年用电量预测方法，其特征在于，其中，a_i表示第i个蚂蚁的随机游走的位置最小值，h_i表示第i个蚂蚁的随机游走的位置最大值，表示第t次迭代时第i个蚂蚁的实际位置最小值，表示第t次迭代时第i个蚂蚁的实际位置最大值，表示第t次迭代时第i个蚂蚁的随机游走位置，cumsum是计算数组累加值函数，t表示当前迭代次数，Max_iter表示最大迭代次数，r₁(t)，…，r_{Max_iter}(t)为随机函数且相互独立。