[发明专利]一种基于改进飞蛾优化算法的预测模型方法

摘要

本发明提供一种基于改进飞蛾优化算法的预测模型方法，包括载入数据集并对样本数据进行标准化处理；采用高斯变异策略和混沌搅动处理来改进飞蛾火焰优化算法并利用改进的飞蛾优化算法构建支持向量机模型和/或构建极限学习机模型。实施本发明，不仅能增加种群多样性，增强算法的搜索能力，还能防止算法陷入局部最优，快速找到全局最优解。

主权项

1.一种基于改进飞蛾优化算法的预测模型方法，其特征在于，所述方法包括以下步骤：步骤S1：参数初始化；其中，初始化的参数包括：最大迭代次数T、飞蛾种群数量L、惩罚系数C的搜索空间[Cmin，Cmax]和核宽γ的搜索空间[γmin，γmax]；T和L均为正整数；步骤S2：初始化L个飞蛾的位置，并采用如下公式(1)‑(2)，将所有飞蛾的位置归入到指定的搜索范围内，得到更新后的L个飞蛾位置Xm＝(xm，1，xm，2)(m＝1，2…，L)；其中，所述指定的搜索范围是指惩罚系数C的搜索范围[Cmin，Cmax]和核宽γ的搜索范围[γmin，γmax]，rand为[0，1]之间的随机数；Cmax为飞蛾的惩罚系数最大值，Cmin为飞蛾的惩罚系数最大值，γmax为飞蛾的核宽最大值，γmin为飞蛾的核宽最大值；xm，1＝(Cmax‑Cmin)*rand+Cmim m＝1，2…n  (1)；xm，2＝(γmax‑γmin)*rand+γmin m＝1，2…n   (2)；步骤S3：通过飞蛾个体位置Xm的惩罚系数C和核宽γ，计算每一个飞蛾个体m对应的飞蛾的适应度fm；步骤S4：将全部飞蛾个体的适应度由大到小进行排序，将所有飞蛾位置按照对应适应度大小进行排序，并参照排序后得到的所有飞蛾个体的适应度和所对应排序后的飞蛾位置来更新火焰位置fs与适应度ff；其中，若当前迭代次数为1，则将火焰位置fs的初始值作为所有火焰的适应度ff值，并将所对应排序后的飞蛾位置作为全部火焰的位置；否则，将当前迭代次数内获得飞蛾适应度和上一迭代次数内所获得的飞蛾适应度组合并按降序排序，并取前L个值作为火焰适应度值，以及取前L个与火焰适应度对应的飞蛾位置作为火焰位置，且设置火焰适应度值最大的记为Fbest；步骤S5：根据更新后的火焰位置对所有飞蛾位置Xl进行更新，得到更新后的所有飞蛾位置X′l；步骤S6：采用高斯变异策略对每一个飞蛾更新后的位置进行变异处理，得到每一个经变异处理的飞蛾个体位置XmG，并根据每一个飞蛾更新后的位置和每一个经变异处理所得的飞蛾个体位置XmG，计算出每一个飞蛾个体更新后的位置对应的适应度值及其经变异处理的位置XmG对应的适应度值，且进一步筛选出每一个飞蛾个体中所计算出的两个适应度值中的最大作为其更新后的位置对应的适应度值；步骤S7：将步骤S6中所得的每一个飞蛾个体的适应度值按降序进行排序，保留排序后适应度值最高的飞蛾个体位置X′best，且将保留的飞蛾个体位置X′best的适应度值和最大火焰适应度值Fbest进行比较，并取二者中的最大值来更新最大火焰适应度值Fbest和最大火焰对应位置，进一步采用混沌映射函数对将保留的飞蛾个体位置X′best进行混沌扰动处理，输出最优飞蛾适应度值Fbest所对应的位置Xbest＝(xbest，1，xbest，2)；步骤S8：判断是否达到最大迭代次数T；若是时，将步骤S7所得的飞蛾位置Xbest＝(xbest，1，xbest，2)中xbest，1和xbest，2分别作为最终的惩罚系数C和核宽γ输出；否则，返回步骤S3，进入下一次迭代操作；步骤S9：将步骤S8获得的最优惩罚系数C和核宽γ，用于构建最优分类函数公式(3)以优化支持向量机模型和/或用于构建最优分类函数公式(4)以优化极限学习机模型；式(3)和(4)中，K(xi，yj)＝exp(‑γ||xi‑xj||)，ai为拉格朗日系数，b为阈值，xi为待测试样本(i＝1…n)，n为样本个体数，yj表示与训练样本相对应的标签，yj(j＝1…n)取值为1和‑1，其中1表示当前样本个体为正类样本，‑1表示当前样本个体为负类样本；ΩELM为符合Mercer定理构造的核函数，T表示目标向量，T＝[t1，t2，…，tn]。