[发明专利]一种基于改进的多元宇宙算法构建预测模型的方法

权利要求书

1.一种基于改进的多元宇宙算法构建预测模型的方法，其特征在于，所述方法包括以下步骤：

步骤S1、取样本数据并对所获取到的样本数据进行归一化处理；

步骤S2、利用基于改进的多元宇宙算法优化支持向量机的惩罚因子C和核宽γ，具体为：

步骤S2.1、参数初始化；其中，初始化的参数包括：最大迭代次数L、当前迭代次数l、宇宙个数N、宇宙上边界ub、宇宙下边界lb、最优宇宙Ubest、最佳适应度fitness、C的搜索空间[Cmin，Cmax]和γ的搜索空间[γmin，γmax]；

步骤S2.2、随机初始化n个宇宙的位置，并采用如下公式(1)和(2)将每一个宇宙的位置映射到指定的搜索范围内，得到n个宇宙的位置U_i＝(U_i,1,U_i,2)；

U_i,1＝(C_max-C_min)*r+C_min (1)；

U_i,2＝(γ_max-γ_min)*r+γ_min (2)；

其中，r为[0,1]之间的随机小数；C_i表示宇宙i在当前位置时的C值，γ_i表示宇宙i在当前位置时的γ值；i＝1,2,...,n；搜索范围为惩罚系数C的搜索范围[C_min，C_max]和核宽γ的搜索范围[γ_min，γ_max]；C_max为惩罚系数最大值，C_min为惩罚系数最大值，γ_max为核宽最小值，γ_min为核宽最大值；

步骤S2.3、对每个宇宙U_i均计算其适应度f_i，并将每个宇宙i的适应度f_i由大到小排序后，筛选出n个宇宙中适应度大于最优宇宙Ubest的适应度，且适应度为最大的宇宙，将最优宇宙Ubest替换成当前所筛选出适应度最大的宇宙，且进一步将当前宇宙位置赋值给最佳宇宙位置Best_pos；

其中，每个宇宙i的适应度f_i是基于宇宙i当前位置的C和γ值，其根据公式(3)以内部K折交叉验证策略计算出支持向量机的准确度ACC；

其中，acck表示每一折数据上计算获得的准确度；

步骤S2.4、将所有宇宙的适应度由大到小进行排序，并让所有宇宙的位置按照对应排序后的适应度大小进行调整，且待所有宇宙的位置调整完成后，根据公式(4)，重新计算出每个宇宙的新位置，以及进一步对每个已有新位置的宇宙均重新计算其适应度；

其中，U_i为所有宇宙的位置调整完成后的第i个宇宙的位置，U_i+1为宇宙位置U_i重新计算出的新位置，l为当前迭代次数，rand为0～1之间的随机数；

步骤S2.5、将适应度排序后的宇宙标准化，并利用数学方法模拟宇宙中的白洞及黑洞，且进一步根据公式(5)利用轮盘赌算法搜寻白洞出现的位置；

其中，为第i个宇宙的第j个参数；Ui表示第i个宇宙；NI(UI)为i个宇宙的标准化膨胀率；r1为0～1之间的随机数；为由轮盘赌算法选择的第k个宇宙的第j个参数；

步骤S2.6、假设虫洞隧道总是建立在一个宇宙和迄今为止形成的最好宇宙之间，找到最优宇宙Ubest的最佳位置Best_pos，并按公式(6)继续更新宇宙位置；

其中，Xj为迄今为止形成的最好宇宙的第j个参数；TDR为固定的系数；WEP为固定的系数；lb_j为第j个变量的下界；ub_j为第j个变量的上界；r2、r3、r4均为[0，1]之间的随机数；

步骤S2.7、判断是否超过最大迭代次数L；若否，则跳转至步骤S2.3；若是，则执行下一步骤S2.8；

步骤S2.8、输出最优宇宙Ubest的位置Best_pos及其对应的适应度，即最优的惩罚因子C和核宽γ值；

步骤S3、基于所获得的惩罚因子C和核宽γ，利用所归一化处理后的数据来构建下述公式(7)所示的预测模型，并基于所构建的预测模型对待分类样本进行分类和预测；其中，K(·)采用公式(8)所示；x_j表示第j个归一化处理后的样本数据；x_i(i＝1...l)表示训练样本；y_i(i＝1...l)表示训练样本对应的标签，y_i＝1代表正类样本，y_i＝-1代表负类样本；b为阈值；α_i是拉格朗日系数；

K(x_i,x_j)＝exp(-r||x_i-x_j||²) (8)。