[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

说明书

本发明公开一种snap‑drift布谷鸟搜索算法优化灰色神经网络的预测方法，所述方法包括：获取初选集合；计算每个寄生巢的适应度值，确定适应度值的最小值；判断所述更新次数是否小于迭代次数；若小于所述迭代次数，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，更新寄生巢；基于概率Pa来选择最差的寄生巢；全局搜索，更新每个废弃的寄生巢；根据更新的解的数量Se调整性能指标Pm；根据Pm判断使用snap模式或drift模式计算pa的值；判断更新次数是否小于所述迭代次数，若是，返回继续寻找最优，否则，将更新后的适应度值最小的寄生巢即最优权值和阈值，将其作为灰色神经网络的初始连接权值和阈值进行训练，直至满足最小预测精度。

技术领域

本发明属于工业、农业、社会、经济等众科学领域，成功的解决了生产、生活和科学研究中的大量实际问题，具体涉及一种snap-drift 布谷鸟搜索算法优化灰色神经网络的预测方法

背景技术

自1969年，由J.M.BATES与C.WJ.GRANGER首次系统地提出组合预测的概念以来，组合预测因预测精度高、稳定性和可靠性好颇受研究者的青睐，至今，在组合预测方法上已经取得了一些成果，涌现出了许多组合模型，如聚类分析和神经网络的组合、模糊神经网络、遗传神经网络、混沌神经网络、灰色神经网络，还有灰色系统与自回归移动平均模型(ARMA)的组合、灰色系统与遗传算法的结合，灰色马尔可夫过程、神经网络集成，灰色支持向量机模型等。其中灰色神经网络将灰色模型与神经网络模型有机融合起来，它既具有灰色系统用小样本数据建模的独特方法，又具有神经网络模型可以对非线性、非精确规律具有自适应能力的优点。因此结合灰色系统思想与神经网络构成灰色神经网络成为近几年一个研究热点。

但灰色神经网络(GNN)由于权值和阈值随机初始化，导致了网络易陷入局部最优，而且每次预测结果不同，且偏差较大。因此本发明提出snap-drift布谷鸟搜索算法(SDCS)算法能够较好地调整全局与局部搜索能力之间的平衡，将其应用于灰色神经网络的白化参数优化，可改善常规GNN的不足。

发明内容

本发明：一种snap-drift布谷鸟搜索算法优化灰色神经网络的预测方法，目的是提高灰色神经网络的预测准确率。

为实现上述目的，本发明提供了如下方案：

一种snap-drift布谷鸟搜索算法优化灰色神经网络的预测方法，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权值和阈值,权值和阈值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。因此，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)；