[发明专利]一种动态进化鲸鱼优化算法的化合物水溶性预测方法

权利要求书

1.一种动态进化鲸鱼优化算法的化合物水溶性预测方法，其特征是，具体包括以下步骤：

步骤S1：采集化合物水溶性数据，形成数据集，并结合数据集将采集数据划分为训练集和试验集；

步骤S2：使用多种群和种群动态进化策略对传统的鲸鱼优化算法进行优化，提高鲸鱼优化算法的寻优精度与收敛速度；

步骤S3：使用多种群动态进化的鲸鱼优化算法对LSTM神经网路模型的迭代次数Max_epochs、批处理量大小Batch_size、隐藏层的神经元个数Hidden_size、神经网络的学习率Lr进行参数优化，确定具有最优参数组合的LSTM神经网络模型；

步骤S4：根据步骤S3所得的LSTM模型，进行化合物水溶性预测分析过程。

2.根据权利要求1所述的一种动态进化鲸鱼优化算法的化合物水溶性预测方法，其特征是，所述步骤S1中对化合物水溶性数据集进行划分后，还包括对数据预处理、对噪音数据的清洗以及数据归一化处理步骤。

3.根据权利要求1或2所述的一种动态进化鲸鱼优化算法的化合物水溶性预测方法，其特征是，所述步骤S2中使用多种群和种群动态进化的策略改进鲸鱼优化算法包括以下步骤：

步骤S2-1：进行参数初始化：设置种群数量为N，每个个体的维度为M，M即为所要解决问题的维数，算法的最大迭代次数为T，算法的当前迭代次数t＝0，初始化出一个N行M列的矩阵代表初始的种族，每一行代表一个个体，每个个体是一个M维向量，代表M维为题的一个解，种群的初始矩阵为：

步骤S2-2：计算个体的适应度值：根据适应度函数f(x)计算初始种群中每个个体的适应度值，并找出当前最优适应度值的个体；

步骤S2-3：多种群的鲸鱼优化算法：根据鲸鱼个体的适应度值将鲸鱼个体划分为三个数量相等的子种群，具有最差适应度值的个体组成探索种群增强全局探索能力；具有最优适应度值的个体组成开发种群增强算法的收敛速度与局部搜索能力并提高算法的求解精度；剩下的个体组成普通种群用于平衡算法的全局探索能力与局部搜索能力，

其中，探索种群位置的更新机制如下所示：

D＝|C.X^*(t)-X(t))|

A＝2a.r-a

C＝2.r

X(t+1)＝X_rand(t)-A.D

上式中，X_rand为鲸鱼种群中随机选择一头鲸鱼，r为0至1之间的随机数，a随着迭代的增加从2线性递减至0；

开发种群的位置更新机制如下所示：

D’＝|X^*(t)-X(t)|

上式中，p为0到1之间满足均匀分布的随机数，b＝1，l为-1到1之间的随机数，X^*(t)为最佳鲸鱼所在的位置；

普通种群的位置更新机制如下所示：

上式中，p1和p2为0到1之间满足均匀分布的随机数；

步骤S2-4：判定鲸鱼优化算法是否陷入局部最优解，对于群体智能优化算法而言，算法的当前最优解指的是算法运行以来获得到的最好计算结果，如果当前的最优解在一次迭代后没有更新，说明算法暂时没有发现更优解，因此该算法进入局部最优状态，所以当以下公式满足时，则判断为算法进入局部最优状态，公式如下所示：

X^*(t)＝＝X^*(t+2)

上式中，t为算法的当前迭代次数，上市表面鲸鱼优化算法连续三次迭代都没有更新当前的最优解，则判断为当前算法进入局部最优状态；

步骤S2-5：当鲸鱼优化算法进入局部最优状态，根据适应度函数计算种群中每个个体的适应度值并重新划分为三个种群，此时进行种群的动态进化；

步骤S2-6：探索种群方向扩大自己的当前位置从而扩大种群的搜索范围，并增强算法的全局探索能力，其种群的进化通过以下公式进行：

r＝rand[0，1]+1

X(t)＝X^*(t).r

步骤S2-7：开发种群利用当前的最优解进行深度局部搜索从而加快算法的收敛速度并增强求解精度，其种群的进化通过以下公式进行：

r＝rand[0，1]

(t)＝X^*(t).r

步骤S2-8：普通种群用自己的反向解更新自己的位置，其种群的进化通过以下公式进行：

上式中，lb为问题解空间的下界，ub为问题解空间的上界，fit()为适应度函数；

步骤S2-9：判断算法是否达到了循环结束条件，当t＝T时，即算法达到了最大迭代次数，此时结束算法输出最优解，否则，返回步骤S2-2。