[发明专利]一种基于改进的蝗虫优化算法构建预测模型的方法

说明书

本发明公开了一种基于改进的蝗虫优化算法构建预测模型的方法，包括以下步骤：步骤S1、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、利用基于改进的蝗虫优化算法优化支持向量机的惩罚因子C和核宽γ；步骤S2、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。本发明具有下有益效果，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以获得分类精度更高的支持向量机。

技术领域

本发明涉及计算机技术领域，特别涉及一种基于改进的蝗虫优化算法构建预测模型的方法。

背景技术

众所周知，科学技术的进步，特别是计算机科学技术的创新和发展，改变了人类生产与生活方式。大数据应用的领域也越来越广，因此对大数据的分类及预测等处理提出了新的挑战，尤其是群智能优化算法在大数据分类及预测的应用中。

其中，群体智能优化算法通过模拟自然界的各种生物和非生命系统的所表现出的群体智能行为，利用群体中个体之间的协作、交流等模拟行为来达到寻优的目的。这些群体智能算法较为著名有：蚁群算法，灰狼算法，混合蛙跳算法，鱼群算法等等。

然而，对于群体智能优化算法，Saremi,S等人提出了蝗虫优化算法 (GOA)。蝗虫是一种影响农作物生产和农业的害虫，它们的生命周期包括三个阶段:卵、若虫和成虫。此算法从蝗虫在若虫期和成虫期的习性进行仿真模拟。在若虫期，蝗虫运动的主要特征是在滚动的圆柱体中跳跃和移动(步长小，动作慢)，它们吃沿途发现的植物；在成虫期，蝗虫会成群结队地远距离迁徙(步长大，动作快)。蝗虫算法是一种新型的群体智能算法，该算法模拟蝗虫群的行为来搜索最优解，具有较强的搜索能力。但是，该算法在处理存在大量局部最优的问题时，容易陷入局部最优，很难找到全局最优解，使得数据分类及预测出现偏差。因此，针对上述问题，需进一步改进该算法，从而提高数据分类及预测的准确性。

发明内容

本发明实施例所要解决的技术问题在于，提供一种基于改进的蝗虫优化算法构建预测模型的方法，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以获得分类精度更高的支持向量机。

为了达到上述目的，本发明提供了一种基于改进的蝗虫优化算法构建预测模型的方法，包括以下步骤：

步骤S1、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、利用基于改进的蝗虫优化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，初始化的参数至少包括：最大迭代次数 Max_iter、当前迭代次数l、蝗虫个数N、搜索空间上边界ub、搜索空间下边界lb、最优蝗虫Sorted_grasshopper、惩罚因子C的搜索空间[Cmin，Cmax] 和核宽γ的搜索空间[γmin，γmax]；

步骤S2.2、随机初始化N只蝗虫的位置，采用如下公式(1)和公式(2) 将每一只蝗虫的位置映射到设定的搜索范围内，得到n只蝗虫的位置 X_i＝(X_i，1，X_i，2)；

X_i，1＝(C_max-C_min)×r+C_min，i＝1，2，3，…，n (1)

X_i，2＝(γ_max-γ_min)×r+γ_min，i＝1，2，3，…，n (2)

其中，r为[0，1]之间的随机小数；C_i表示蝗虫i在当前位置时的惩罚因子C值，γ_i表示蝗虫i在当前位置时的核宽γ值；