[发明专利]一种基于高斯过程回归和萤火虫算法相结合的细颗粒物预测与溯源方法

权利要求书

1.一种基于高斯过程回归和萤火虫算法相结合的细颗粒物预测与溯源方法，其特征在于，包括以下步骤：

(1)对萤火虫算法进行优化，得到萤火虫优化算法；

(2)创建模型的样本训练集并为高斯过程回归模型选择协方差函数；

(3)利用改进的粒子群优化算法对高斯过程回归模型的方程超参数优化；

(4)根据优化的超参数得出模型，输出预测。

2.根据权利要求1所述的方法，其特征在于，所述对萤火虫算法进行优化，得到萤火虫优化算法，包括：

(1.1)荧光素更新阶段

在荧光素更新阶段期间，每个萤火虫向其之前的荧光素水平增加目标位置在目标函数中的适应性成正比的荧光素量，此外，荧光素值的一部分被减去以模拟荧光素随时间的衰减，荧光素更新规则由下式给出：

l_i(t+1)＝(1-ρ)l_i(t)+γJ(x_i(t+1))

其中，l_i(t)表示与萤火虫i在t时刻的荧光素大小，ρ是荧光素衰减常数(0＜ρ＜1)，γ是荧光素增强常数，J(x_i(t))表示t时i位置处目标函数的值；

(1.2)运动阶段

在运动阶段，每个萤火虫使用概率机制决定朝着一个荧光素值高于其自身的邻居移动，对于每个萤火虫i，向邻居j移动的概率由下式给出：

萤火虫根据上式给出的p_ij(t)选择一个j∈N_i(t)的萤火虫；

其中，j∈N_i(t)，表示时间t处的萤火虫i的邻居的集合，d_ij(t)表示时间t处的萤火虫i和j之间的欧几里得距离，并且表示在时间t与萤火虫i相关的邻域范围

萤火虫运动的离散时间模型为：

其中，x_i(t)∈R^m是在时间t时萤火虫i在m维实空间R^m中的位置，||.||表示欧几里得范数算子，s(s＞0)表示是步长；

(1.3)邻域范围更新阶段

令r₀为每个萤火虫的初始邻域范围，为了自适应地更新每个萤火虫的邻域范围，应用以下规则：

其中，β是常数参数，n_t是用于控制邻居数量的参数；

通过下式，计算得到邻域集合中个体与目标萤火虫个体的平均距离：

的范围：在初始化时令当时，令q＝0.96；

(1.4)萤火虫自探索方面

当萤火虫个体在其感知范围内找不到优秀个体时，在此范围内没有找到优秀的个体，那就以现在的位置为起点，进行对数螺旋搜索，使得搜索面积变大，并且在移动过程中移动两圈，如果移动后，新位置的荧光素水平比原来低，而且周围没有优秀的个体，萤火虫会以下式跳出该位置：

x_i(t+1)＝x_i(t)+(1-2rand())·s_i(t)

如果更新后荧光素值仍然小于原来位置水平，则取消位置更新

其中，rand()是(0,1)的随机数。