[发明专利]一种混合群体智能的深度学习模型超参数优化方法

权利要求书

1.一种混合群体智能的深度学习模型超参数优化方法，其特征在于，包括如下步骤：

S1：选取深度神经网络搭建软件缺陷预测模型；

S2：初始化混合狼群算法参数；

S3：根据群体智能算法确定深度神经网络的拓扑结构和学习率，用训练集数据训练网络模型，将模型训练结束后返回的损失函数的值作为适应值函数的值，更新个体极值和群体极值；

S4：判断是否满足算法停止条件：当iter＝Gmax时执行步骤S15，否则执行步骤S5；

S5：更新每个粒子的速度和位置；

S6：探狼朝h个方向进行游走，进行位置更新，并且求出更新后的位置上的适应值nexty；

S7：求出更新后的头狼的最优适应值leadY和最优的位置ledaX；

S8：头狼发起召唤行为，猛狼向头狼奔袭，更新猛狼位置；

S9：计算更新后的猛狼的适应值Mnexty，更新当前位置上的猛狼的适应值Y(j)以及X(j)；

S10：给定奔袭次数，当满足达到最大奔袭次数、猛狼变成头狼、或者d_is＜d_near这三者条件之一时执行步骤S11，否则执行步骤S8；

S11：计算进入围攻狼的更新位置，同时求出适应值Gnexty，并更新当前位置的值；

S12：根据狼群的更新机制，舍弃最差的R匹狼；

S13：随机生成R匹狼，并计算R匹狼的适应值；

S14：iter＝iter+1，转至步骤S3；

S15：满足算法结束条件，确定软件缺陷预测模型，基于软件缺陷预测模型对测试集进行缺陷预测，得到模型的评价指标。

2.根据权利要求1所述的一种混合群体智能的深度学习模型超参数优化方法，其特征在于，所述步骤S1中对数据集进行预处理和特征提取，将数据集划分为训练集和测试集，所述训练集用于建立软件缺陷预测模型。

3.根据权利要求2所述的一种混合群体智能的深度学习模型超参数优化方法，其特征在于：所述步骤S1中深度神经网络的输入层的节点数与数据集特征数一致，隐藏层的层数和节点数由混合群体智能算法确定。

4.根据权利要求1所述的一种混合群体智能的深度学习模型超参数优化方法，其特征在于：所述步骤S5中根据粒子群算法的速度和位置的更新公式，更新每个粒子的速度和位置。

5.根据权利要求4所述的一种混合群体智能的深度学习模型超参数优化方法，其特征在于：所述粒子群算法的速度和位置的更新公式为：

v′_i＝wv_i+c1r1(pbest_b_i)+c2r2(gbest_b-b_i)

b′_i＝v′_i+b_i (1)

其中，i＝1,2,…,60代表15个粒子；r1、r2是介于[0,1]之间的随机数。

6.根据权利要求1所述的一种混合群体智能的深度学习模型超参数优化方法，其特征在于：所述步骤S6中根据游走公式(2)进行位置更新：

公式(2)是表示沿着第p(p＝1,2,3，…，h)个方向所前进后探狼i在第d维空间中的位置。

7.根据权利要求1所述的一种混合群体智能的深度学习模型超参数优化方法，其特征在于：所述步骤S8中猛狼根据奔袭公式(3)向头狼奔袭；

公式(3)是表示第j匹猛狼经历第k+1次迭代次数时，在第d维空间中的位置，式中，表示第k代群体的头狼在第d维空间中所在的位置，表示猛狼j当前所处的位置，体现了狼的围猎基础；第二项表示猛狼j向头狼位置逐渐靠近的趋势。