[发明专利]一种基于改进灰鲸优化算法来构建预测模型的方法

摘要

本发明提供一种基于改进灰鲸优化算法来构建预测模型的方法，包括获取样本数据并对所获取到的样本数据进行归一化处理；利用基于随机置换和双权重策略的灰鲸优化算法来优化支持向量机的惩罚因子C和核宽γ；基于所获得的惩罚因子C和核宽γ，利用所归一化处理后的数据来构建预测模型，并基于所构建的预测模型对待分类样本进行分类和预测。实施本发明，通过改进灰鲸优化算法来优化SVM的惩罚因子和核宽，可有效提升算法的收敛速度和收敛精度，提升算法逃脱局部最优解的能力，找到更优的全局近似最优解。

主权项

1.一种基于改进灰鲸优化算法来构建预测模型的方法，其特征在于，所述方法包括以下步骤：步骤S1：获取样本数据并对所获取到的样本数据利用公式(1)进行归一化处理；其中，S_i代表原始值，S_i′代表标准化后的值，S_min代表极小值，S_max代表极大值；步骤S2、利用基于随机置换和双权重策略的灰鲸优化算法来优化支持向量机的惩罚因子C和核宽γ，具体为：步骤S2.1、参数初始化，包括最大迭代次数MaxFEs、灰鲸种群个数n、惩罚因子C的搜索空间[C_min，C_max]和核宽γ的搜索空间[γ_min，γ_max]；步骤S2.2、初始化n只灰鲸位置，利用公式(2)‑(3)将每一只灰鲸的位置映射到设定的搜索范围内，得到n只灰鲸的位置X_i＝(x_i，l，x_i，2)；X_i，1＝(C_max‑C_min)*r+C_min   (2)γ_i，1＝(γ_max‑γ_min)*r+γ_min   (3)其中，i＝1...n，c_i表示灰鲸i在当前位置时的C值，γ_i表示灰鲸i在当前位置时的γ值，r为[0，1]之间的随机小数；步骤S2.3、计算每只灰鲸i的适应度f_i，并将计算出的适应度f_i由大到小排序，且进一步将适应度最小的标记为最优鲸鱼；其中，所计算出的适应度f_i基于灰鲸i当前位置的C和γ值；步骤S2.4、选取当前灰鲸位置，根据公式(4)‑(5)对灰鲸i每个维度的t和e的值均进行计算，并将灰鲸i存在t＜e时的维度均替换成最优灰鲸在次维度上的值，且待灰鲸i每个维度都完成判断后，计算出当前灰鲸i的适应度f_i，进一步将适应度f_i之中小于最优灰鲸的灰鲸更新为新最优灰鲸；t＝tan(p_i*(rand‑0.5))   (4)步骤S2.5、根据公式(6)‑(9)计算出随机数A、C、p、w1和w2的值；A＝2ar₁‑a   (6)C＝2r₂   (7)当p＜0.5、|A|＞＝1且e＜0.5，根据公式(10)和(11)更新灰鲸位置；当p＜0.5、|A|＞＝1且e＞0.5，根据公式(10)和(12)更新灰鲸位置；当p＜0.5、|A|＜1且e＜0.5，根据公式(13)和(14)更新灰鲸位置；当p＜0.5、|A|＜1且e＞0.5，根据公式(13)和(15)，更新灰鲸位置；当p＞＝0.5且e＞0.5，根据公式(16)和(17)更新灰鲸位置；当p＞＝0.5且e＜0.5，根据公式(16)和(18)更新灰鲸位置；D₁＝|CX_rand‑X_t|   (10)X_t+1＝X*(t)‑w1*A*D₁   (11)X_t+1＝w2*X*(t)‑A*D₁   (12)D₂＝|CX_best‑X_t|   (13)X_t+1＝X_best‑w1*A*D₂   (14)X_t+1＝w2*X_best‑A*D₂   (15)l＝(a₂‑1)*rand+1   (16)X_t+1＝X_bset‑w1*e^blD₂cos(2πl)   (17)X_t+1＝w2*X_best‑e^blD₂cos(2πl)   (18)其中，p为[0，1]之间的随机数，Fes为当前评估次数，X_rand为随机灰鲸位置，X_best为最优灰鲸位置，a随迭代次数由2到0之间线性递减，r₁，r₂为[0，1]之间的随机数，b为常数1；步骤S2.6、判断是否达到了最大迭代次数MaxFEs；若否，则重复步骤S2.3‑S2.5，进行下一次迭代操作；若是，则跳转到步骤S2.7；步骤S2.7、输出最优灰鲸位置，即最优的惩罚因子C和核宽γ值；步骤S3、基于所获得的惩罚因子C和核宽γ，利用所归一化处理后的数据来构建下述公式(19)所示的预测模型，并基于所构建的预测模型对待分类样本进行分类和预测；K(x_i,x_j)＝exp(‑r||x_i‑x_j||²)   (20)其中，x_j表示第j个归一化处理后的样本数据；x_i(i＝1...l)表示训练样本；y_i(i＝1...l)表示训练样本对应的标签，y_i＝1代表正类样本，y_i＝‑1代表负类样本；b为阈值；α_i是拉格朗日系数。