[发明专利]基于自适应蚁狮优化的支持向量机故障预测方法

权利要求书

1.一种基于自适应蚁狮优化的支持向量机故障预测方法，其特征在于：

定义1：惩罚参数C：用于实现经验风险和置信风险之间的折衷；

定义2：不敏感误差函数ε：控制拟合近似误差线的大小，其大小表明了函数拟合的精度；

定义3：核函数：径向基函数RBF，是某种沿径向对称的标量函数；具体计算公式如下式：

其中，参数σ表示RBF核函数的宽度；参数x和y是n维的输入值；

蚁狮算法的流程为：

蚂蚁的随机游走：

由于蚂蚁在搜寻食物时随机移动，所以选择一个随机游走模拟蚂蚁的运动如下：

x(t)＝[0,cumsum(2r(t₁)-1),cumsum(2r(t₂)-1)......cumsum(2r(t_n)-1)] (2)

其中cumsum表示计算累计和，n表示最大迭代次数，t表示迭代次数，r(t)表示一个随机函数，定义如下：

其中t迭代次数，rand是在[0，1]区间内均匀分布生成的随机数；

为了保持搜索空间内的随机游走，使用以下等式对它们进行归一化：

其中a_i是第i个变量的随机游走的最小值，d_i是第i个变量中随机游动的最大值，是第t个迭代中第i个变量的最小值，表示第t次迭代中第i个变量的最大值；式(4)应该在每次迭代中应用以保证搜索空间内随机游走的发生；

蚁狮对蚂蚁的影响：

蚂蚁的随机游走受到了蚁狮陷阱的影响，可以表示为：

c^t是第t次迭代中所有变量的最小值，d^t表示包含第t次迭代中所有变量的最大值的向量，并且为在第t次迭代中所选择的第j个蚁狮的位置；

蚁狮的捕食过程

每只蚂蚁只能被一只蚁狮捕获，某只蚂蚁具体要被哪只蚁狮捕获是通过轮盘赌策略来选择的，适应度越高的蚁狮有着更高的捕获蚂蚁的机会；

另外，蚁狮能构造陷阱，蚂蚁一旦落入陷阱，蚁狮就会向外扬沙以使蚂蚁不至于逃脱，这时蚂蚁随机游走的范围将急剧缩小；表示为:

其中I是比率；

当某只蚂蚁的适应度变得高于蚁狮时，即认为其被蚁狮捕获，此时蚁狮会根据蚂蚁的位置来更新其位置，表示为：

其中，表示第t次迭代时第i个蚂蚁的位置；

精英策略：

在每次迭代中获得的最好的蚁狮被保存并被视为精英；由于精英是最适合的蚁狮，它应该能够在迭代过程中影响所有蚂蚁的运动；因此，假定每个蚂蚁都同时通过赌盘随机绕着一个蚁狮和精英游走，如下所示：

是轮盘在第t次迭代时选择的随机行走，是第t次迭代时围绕精英的随机游走；

按照公式(8)不断更新蚂蚁位置，使蚁狮向精英蚁狮靠近，根据公式(8)提出了自适应精英蚁狮改进策略：

其中，σ(t)代表自适应系数；在迭代初期时，设定σ(t)偏大，围绕着蚁狮游走为主，能够提高探索能力，有利于获得全局最优解；迭代次数逐渐增加，到了后期，σ(t)变小，围绕精英蚁狮游走，从而提高蚁狮算法的收敛速度和精度；

所述的预测方法具体步骤如下：

步骤一：首先进行预处理：

提取电容的等效串联电阻ESR值变化时输出纹波电压峰峰值数据集；电解电容等效串联电阻ESR随时间的退化规律通过以下规律提取：

ESR(t)代表t时刻的ESR值；T代表电容的内部温度，单位为摄氏度(℃)；ESR(0)为初始时刻的ESR值；k是由电容设计和结构参数所决定的一个常数；

步骤二：初始化蚁狮参数：

除了蚁狮算法需要设置的种群数量以及最大迭代次数外，蚁狮算法通过使用训练集训练SVM模型提供给SVM回归机C、σ、ε的值，因此还需要设置惩罚参数C的上、下限为Cmax、Cmin，核参数的上、下限为σmax、σmin，不敏感误差函数的上下限为εmax、εmin以及向量维数Dim；

步骤三：训练支持向量机回归模型：

将步骤一所述的“电容的等效串联电阻ESR值变化时输出纹波电压峰峰值数据集”分为训练集与测试集，训练集和步骤二获得的参数C、σ、ε用于训练支持向量机回归模型，即输入到支持向量机回归模型中，使其进行学习规律；测试集中的数据用于计算适应度，或者输入到后面已优化的支持向量机中进行预测；

步骤四：根据测试集来计算适应度：

当达到最大迭代次数时，或者当为给定的迭代次数没有最佳修改解决方案时，输出支持向量机优化参数C、σ、ε；若不满足此标准，使用蚁狮优化算法生成新的解，即按照式(8)和式(9)更新蚂蚁和蚁狮的位置，进行下一次迭代,直至找到最优解C、σ、ε，完成蚁狮优化的支持向量机模型；

步骤五：运用单步循环迭代的方法预测寿命曲线：利用蚁狮优化的支持向量机模型和训练样本，每次只预测下一个时刻的参数值，之后用其替代初始训练样本中最早的真实值，构造新的训练样本，重新训练预测模型，得到下一个时刻的参数值，不断循环迭代，最后得到未来多个时刻的预测值。