[发明专利]一种snap-drift布谷鸟搜索算法优化灰色神经网络的预测方法

权利要求书

1.一种snap-drift布谷鸟搜索算法优化灰色神经网络的预测方法，其特征在于，包括如下步骤：

获取初选集合，所述初选集合包括多个寄生巢，所述寄生巢指的是巢里面的鸟蛋，每个所述寄生巢的鸟蛋表示灰色神经网络的一组最优权值和阈值,将其带入到灰色神经网络便可得改进后的灰色神经网络模型；

计算每个寄生巢的适应度值，根据适应度值对每个寄生巢进行评价，将当前种群中最好的寄生巢保留至下一代；所述适应度值为灰色神经网络的最小预测误差。

判断所述更新次数是否小于迭代次数，得到判断结果；

若所述判断结果表示所述更新次数小于所述迭代次数，则通过变量J选择不同的更新算子对当前每个寄生巢中的鸟蛋进行更新求解；

局部搜索，随机选择一个寄生巢并使用莱维飞行和新合并的信息共享算子，接下来，将改进解的个数保存在变量Se中；

基于概率Pa来选择最差的寄生巢；

全局搜索，对于每个废弃的寄生巢，使用简单的随机游走算法和新的合并信息共享算子更新寄生巢，接下来，在变量Se中保存改进的寄生巢的数量；

使用经过局部和全局搜索后根据更新的解的数量Se调整性能指标pm，是一个控制参数，作为控制参数，如果性能已增强或保持不变，则决定是否继续使用drift模式进行搜索，或着切换到其他搜索模式以提高搜索能力，性能指标Pm为我们提出的算法提供必要的知识，以找到搜索模式之间的平衡；

根据Pm判断使用snap模式或drift模式计算pa的值；

找到当前最佳适应度值。返回判断更新次数是否小于所述迭代次数；

若所述判断结果表示所述更新次数大于或者等于所述迭代次数，根据更新后的适应度值最小的寄生巢的位置确定所述灰色神经网络的预测模型。

2.根据权利要求1所述的方法，其特征在于，在所述获取初选集合之前还包括：

对每个寄生巢进行编码：对于一个包含M个寄生巢，种群规模即为n，每个寄生巢的维度即编码长度为D，，则每寄生巢x_i表示为(x_i1,x_i2,...,x_iD)(i＝1,2,...,M)，其中，D维空间中的寄生巢可用一个M×D矩阵x_M×D表示，分量x_ij表示第i个寄生巢的第j维的决策值，则每个寄生巢个体代表一组灰色神经网了的白化参数，将白化参数运用到灰色神经网络中，即灰色神经网络的预测模型就确定下来了。

3.根据权利要求1所述的方法，其特征在于，计算每个所述寄生巢的适应度值，具体包括：

根据适应度函数公式：计算每个所述寄生巢的适应度值；

其中，o_k为灰色神经网络第k个节点的实际输出，d_k为灰色神经网络第k个节点的期望输出，q为网络的输出节点数，x代表每一个个体；根据误差E(x)不断调节各个节点之间的权值和阈值对灰色神经网络进行训练，以达到寻找最优一组白化参数的目的。

4.根据权利要求1所述的方法，其特征在于，通过变量J选择不同的更新算子对当前每个寄生巢中的鸟蛋进行更新求解，具体包括：

判断所述均匀分布的随机数p是否小于基于概率的变量J；若是则根据鸟蛋自身的信息和莱维飞行策略来发现新的解；若否，则判断所述均匀分布的随机数p是否小于(1－基于概率的变量J)；若是则搜索自身周围区域和莱维飞行策略来搜索空间中x_ij所在位置；若否，则使用信息共享策略和莱维飞行策略进行更新。

5.根据权利要求1所述的方法，其特征在于，局部搜索具体包括：

计算当前更新后的每个寄生巢的适应度值，求得局部最小值。