[发明专利]一种基于饥饿游戏搜索算法构建预测模型的方法

权利要求书

1.一种基于饥饿游戏搜索算法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进行归一化处理；

步骤S2、利用基于饥饿游戏搜索算法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；其中，初始化的参数包括：种群个数N、最大迭代次数Max_iter、问题维度D、总饥饿度SHungry、C的搜索空间[Cmin，Cmax]和γ的搜索空间[γmin，γmax]；

步骤S2.2、种群位置初始化：随机产生N个个体位置，其中第i个个体的位置为X_i＝(x_i1，x_i2),i＝1,2,……，N；其中，x_i1表示个体i在当前位置时的C值，x_i2表示个体i在当前位置时的γ值；

步骤S2.3、对N个个体计算其适应度f_i，该适应度值是基于个体i当前位置的C和γ值；首先，根据公式(1)以内部K折交叉验证策略计算支持向量机的准确度ACC，并将该值作为个体i的适应度f_i的值；然后，将适应度f_i的值由大到小降序排序，取适应度值中最优的个体的适应度保存为bF，最差的个体的适应度值保存为wF，并根据公式(2)和(3)计算个体的饥饿感权重；最后，若bF优于全局最优适应度值DF，则将DF更新为bF，并将该个体位置保存至个体最佳位置bestPosition中；

其中，

UB和LB根据j的不同取值分别为步骤2.1中C和γ的最大、最小值；AllFitness(i)为存储了每个个体的适应度值的数组；r、r₃、r₄、r₅、r₆均表示介于0-1的随机数，l为一个常数；

其中，acck表示每一折数据上计算获得的准确度；

步骤S2.4、根据公式(4)～(6)，计算出各个个体的新位置，并更新个体的位置；

E＝sech(|AllFitness(i)-BF|) (4)；

其中，r₁、r₂和rand均为[0,1]之间的随机数；Sech()为一个双曲函数，该函数表示为X_b表示种群中最优个体的位置信息；

步骤S2.5、采取和步骤2.3中相同的C和γ编码方式后以内部K折交叉验证策略计算每一个个体的适应度；

步骤S2.6、判断是否超过最大迭代次数Max_iter；若否，则跳转至步骤S2.3；若是，则执行下一步骤S2.7；

步骤S2.7、输出个体最佳位置bestPosition及其对应的适应度，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(7)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；其中，K(·)采用公式(8)所示；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；

K(x_i,x_j)＝exp(-r||x_i-x_j||²) (8)。