一种基于改进灰狼优化算法的数据分类预测方法及系统技术方案

本发明专利技术实施例公开了一种基于改进灰狼优化算法的数据分类预测方法及系统，包括获取历史数据，并将获取到的历史数据进行归一化处理并分类；将所述归一化处理后的历史数据作为支持向量机的训练样本，利用预设的改进灰狼优化算法来优化所述支持向量机的惩罚系数和核宽；根据所述支持向量机优化后的惩罚系数和核宽，构建预测模型；获取待测数据，并将所述待测数据作为待测样本导入所述预测模型中，得到所述待测数据的分类及每一分类对应的预测值。实施本发明专利技术，能解决灰狼优化算法的陷入局部最优解、收敛速度慢等问题，实现对具体领域的问题进行分类和预测，提高决策的精度。

【技术实现步骤摘要】
一种基于改进灰狼优化算法的数据分类预测方法及系统
本专利技术涉及大数据
，尤其涉及一种改进灰狼优化算法来优化数据分类预测的方法及系统。
技术介绍
随着技术的发展，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，尤其是群体智能优化算法用于大数据的分类及预测中。总所周知，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相互协作、交流来达到寻优的目的。这些群体智能算法较为著名有：蚁群算法，粒子群算法，人工蜂群算法，鸡群算法等等。然而，对于群体智能优化算法，Mirjalili等人在2014年还提出了灰狼优化算法(GreyWolfOptimizer)，这是一种新型的群体智能算法，该算法模拟灰狼的捕食行为来搜索最优解，该算法引入灰狼的等级机制，将适应度最高三个的灰狼依次定义为Alpha,Beta,Delta,其余的定义为Omega灰狼，Omega灰狼的运动方向由Alpha,Beta,Delta这三只灰狼来确定，实验结果证明该算法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，很难找本文档来自技高网...

【技术保护点】
一种基于改进灰狼优化算法的数据分类预测方法，其特征在于，包括以下步骤：步骤S1、获取历史数据，并将所述获取到的历史数据进行归一化处理并分类；步骤S2、将所述归一化处理后的历史数据作为支持向量机的训练样本，利用预设的改进灰狼优化算法来优化所述支持向量机的惩罚系数和核宽；步骤S3、根据所述支持向量机优化后的惩罚系数和核宽，构建预测模型；步骤S4、获取待测数据，并将所述待测数据作为待测样本导入所述预测模型中，得到所述待测数据的分类及每一分类对应的预测值。

【技术特征摘要】
1.一种基于改进灰狼优化算法的数据分类预测方法，其特征在于，包括以下步骤：步骤S1、获取历史数据，并将所述获取到的历史数据进行归一化处理并分类；步骤S2、将所述归一化处理后的历史数据作为支持向量机的训练样本，利用预设的改进灰狼优化算法来优化所述支持向量机的惩罚系数和核宽；步骤S3、根据所述支持向量机优化后的惩罚系数和核宽，构建预测模型；步骤S4、获取待测数据，并将所述待测数据作为待测样本导入所述预测模型中，得到所述待测数据的分类及每一分类对应的预测值。2.如权利要求1所述的方法，其特征在于，所述步骤S2具体包括：步骤2.1：参数初始化，具体包括：最大迭代次数T、灰狼种群个数n、Beta灰狼的个数β、Omega灰狼的个数ω、惩罚系数C的搜索空间[Cmin，Cmax]和核宽γ的搜索空间[γmin，γmax]；步骤2.2：初始化n只灰狼位置，具体为，采用如下公式(2)和(3)将每一只灰狼的位置映射到设定的搜索范围内，得到n只灰狼的位置Xi＝(xi,1,xi,2)；Xi,1＝(Cmax-Cmin)*r+Cmin,(i＝1,2,…,n)(2)；Xi,2＝(γmax-γmin)*r+γmin,(i＝1,2,…,n)(3)；其中，r为[0,1]之间的随机小数；Ci表示灰狼i在当前位置时的C值，γi表示灰狼i在当前位置时的γ值；步骤2.3：计算每只灰狼i的适应度fi，并将每只灰狼i的适应度fi由大到小排序后，筛选出n只灰狼中适应度大于Alpha灰狼适应度且为最大的灰狼，则将Alpha灰狼替换成当前所筛选出适应度最大的灰狼，进一步根据n只灰狼的适应度，将适应度最小的ω只灰狼标记为Omega灰狼，以及余留的(n-ω)只灰狼标记为Delta灰狼；其中，所述灰狼i的适应度fi为基于灰狼i当前位置的C和γ值，以内部K折交叉验证策略所计算出支持向量机的准确度ACC；步骤2.4：基于步骤2.3从Alpha灰狼中生成Beta灰狼，具体为，根据如下公式(4)生成β只Beta灰狼，并计算β只Beta灰狼的适应度，且进一步筛选出β只Beta灰狼中适应度大于Alpha灰狼适应度的灰狼，则用所筛选出的灰狼替换Alpha灰狼；Betai,j＝Alphaj+2*D*r-D,(i＝1,2,…,β；j＝1,2)(4)；其中，Deltabest为Delta灰狼中适应度最高的灰狼；步骤2.5：更新Delta灰狼的位置，具体为，根据公式(6)-(9)计算出每只Delta灰狼的新位置；A＝2τr1-τ(6)；C＝2r2(7)；L＝|C*Alphaj-Deltai,j|(8)；其中，τ随迭代次数由2到0之间线性递减；r1和r2均为[0,1]之间的随机数；步骤2.6：更新Omega灰狼的位置，具体为，Omega灰狼不受Alpha灰狼的影响，其在搜索空间随机运动，可根据公式(2)和(3)计算每个Omega灰狼的随机位置；步骤2.6：判断是否达到最大迭代次数T，若已达到则转到步骤2.7，否则转到步骤2.3；步骤2.7：输出Alpha狼的位置，即得到最优的惩罚系数C和核宽γ。3.如权利要求1所述的方法，其特征在于，所述步骤S3中的“预测模型”通过公式来实现；其中，K(xi,xj)＝exp(-r||xi-xj||2)；xj为所述待测样本，xi(i＝1...l)为所述训练样本,yi(i＝1...l)为所述训练样本对应分类的标签，b为预设的阈值，αi为拉格朗日系数。4.一种基于改进灰狼优化算法的数据分类预测方法，其特征在于，包括以下步骤：步骤S21、获取历史数据，并将所述获取到的历史数据进行归一化处理并分类；步骤S22、确定灰狼优化算法，并对灰狼优化算法参数进行初始化，具体包括：最大迭代次数T、灰狼种群个数n、Beta灰狼的个数β、Omega灰狼的个数ω、惩罚系数C的搜索空间[Cmin，Cmax]和核宽γ的搜索空间[γmin，γmax]；步骤S23：初始化n只灰狼位置，具体为，采用如下公式(b)和(c)将每一只灰狼的位置映射到设定的搜索范围内，得到n只灰狼的位置Xi＝(xi,1,xi,2)；Xi,1＝(Cmax-Cmin)*r+Cmin,(i＝1,2,…,n)(b)；Xi,2＝(γmax-γmin)*r+γmin,(i＝1,2,…,n)(c)；其中，r为[0,1]之间的随机小数；Ci表示灰狼i在当前位置时的C值，γi表示灰狼i在当前位置时的γ值；步骤S24：将所述归一化处理后的历史数据作为智能机器学习模型的训练样本，计算每只灰狼i的适应度fi，并将每只灰狼i的适应度fi由大到小排序后，筛选出n只灰狼中适应度大于Alpha灰狼适应度且为最大的灰狼，则将Alpha灰狼替换成当前所筛选出适应度最大的灰狼，进一步根据n只灰狼的适应度，将适应度最小的ω只灰狼标记为Omega灰狼，以及余留的(n-ω)只灰狼标记为Delta灰狼；其中，所述灰狼i的适应度fi为基于灰狼i当前位置的C和γ值，以内部K折交叉验证策略所计算出支持向量机的准确度ACC；步骤S25：基于步骤S24从Alpha灰狼中生成Beta灰狼，具体为，根据如下公式(d)生成β只Beta灰狼，并计算β只Beta灰狼的适应度，且进一步筛选出β只Beta灰狼中适应度大于Alpha灰狼适应度...

【专利技术属性】
技术研发人员：陈慧灵，罗杰，赵学华，蔡振闹，童长飞，黄辉，李俊，
申请(专利权)人：温州大学，
类型：发明
国别省市：浙江,33