[发明专利]一种基于改进飞蛾优化算法的预测模型方法

说明书

本发明提供一种基于改进飞蛾优化算法的预测模型方法，包括载入数据集并对样本数据进行标准化处理；采用高斯变异策略和混沌搅动处理来改进飞蛾火焰优化算法并利用改进的飞蛾优化算法构建支持向量机模型和/或构建极限学习机模型。实施本发明，不仅能增加种群多样性，增强算法的搜索能力，还能防止算法陷入局部最优，快速找到全局最优解。

技术领域

本发明涉及计算机技术领域，尤其涉及一种基于改进飞蛾优化算法的预测模型方法。

背景技术

群体智能优化算法是一种对自然界不同生物群体的社会行为以及觅食行为进行模拟和建模的随机搜索算法。它与传统随机算法不同，随着搜索过程的进行，该算法会在搜索空间内进行全方位搜索而且当搜索过程达到一定阶段后，算法会在最优解周围进行更深层次的搜索以得到更多高质量的解。以上智能算法较为著名的比如：粒子群算法，灰狼优化算法，蚁群算法等。

飞蛾火焰优化算法是2015年由Mirjalili等人提出的一种新型智能优化算法。该算法模拟了飞蛾围绕光源通过横向定位机制进行飞行的行为来搜索最优解。在飞蛾火焰优化算法中，飞蛾为候选解，飞蛾集合用M矩阵表示，而另一个核心组件是火焰，F表示火焰集合。在该算法中火焰和飞蛾都是解，其不同之处在于迭代过程中对待和更新方式不同。飞蛾是搜索空间中实际移动的主体，而火焰是飞蛾到目前为止所得到的最优位置。当光源(月亮)很远时，飞蛾以直线行进，而当光源(人造光)更近时，飞蛾进行螺旋运动。该算法因具有群体智能算法搜索速度较快、调节参数少、易跳出局部极小值等优点，在许多优化问题中得到广泛应用。

然而，该算法在处理复杂优化问题(如存在大量局部最优解的问题)时，极易陷入局部最优，很难找到全局最优解。针对这个问题，我们将高斯变异机制和混沌扰动机制引入飞蛾火焰优化算法。一方面，由于高斯分布的尾部较窄，加入高斯变异使得其更有可能在父代附近产生新的后代，因此，选择小步长的高斯变异机制可以使得飞蛾可以更好的对搜索空间的每个角落进行搜索，从而增加种群多样性，增强算法的搜索能力；另一方面引入混沌扰动机制，通过该机制对目前为止获得的当前最优解的位置进行混沌扰动机制，防止算法陷入局部最优。

发明内容

本发明实施例所要解决的技术问题在于，提供一种基于改进飞蛾优化算法的预测模型方法，不仅能增加种群多样性，增强算法的搜索能力，还能防止算法陷入局部最优，快速找到全局最优解。

为了解决上述技术问题，本发明实施例提供了一种基于改进飞蛾火焰优化算法来构建预测模型的方法，所述方法包括以下步骤：

步骤S1：参数初始化；其中，初始化的参数包括：最大迭代次数T、飞蛾种群数量L、惩罚系数C的搜索空间[C_min，C_max]和核宽γ的搜索空间[γ_min，γ_max]；T和L均为正整数；

步骤S2：初始化L个飞蛾的位置，并采用如下公式(1)-(2)，将所有飞蛾的位置归入到指定的搜索范围内，得到更新后的L个飞蛾位置X_m＝(x_m，1，x_m，2)(m＝1，2…，L)；其中，所述指定的搜索范围是指惩罚系数C的搜索范围[C_min，C_max]和核宽γ的搜索范围[γ_min，γ_max]，rand为[0，1]之间的随机数；C_max为飞蛾的惩罚系数最大值，C_min为飞蛾的惩罚系数最大值，γ_max为飞蛾的核宽最大值，γ_min为飞蛾的核宽最大值；

x_m，1＝(C_max-C_min)*rand+C_minm＝1，2…n (1)；