一种基于灰狼优化算法的数据分析方法及装置制造方法及图纸

本发明专利技术适用于计算机技术领域，提供了一种基于灰狼优化算法的数据分析方法及装置，包括：获取待分析数据；根据预设的搜索空间，通过灰狼优化算法计算狼群的惩罚系数和核宽；根据所述惩罚系数、核宽以及预设的分析模型，对所述待分析数据进行分析，得到分析结果。通过引入反向学习机制，计算灰狼优化算法中狼群的惩罚系数和核宽，得到预设的分析模型的参数最优解。扩大了狼群中灰狼的种类，提升了算法的全局探测能力。进而通过该分析模型对待分析数据进行分析，快速得到精确的分析结果。

【技术实现步骤摘要】
一种基于灰狼优化算法的数据分析方法及装置
本专利技术属于计算机
，尤其涉及一种基于灰狼优化算法的数据分析方法及装置。
技术介绍
目前，大数据技术主要是从巨大的数据中获取有用的数据，进而进行数据的分析和处理。尤其是在信息化爆炸的时代，人们被无数的信息覆盖，实现对大数据的智能处理，提高数据处理水平，需要不断引进人工智能技术，大数据的管理、分析、可视化等等都是与人密切相关的。现如今，机器学习、数据挖掘、自然语言理解、模式识别等人工智能技术，已经完全渗透到了大数据的各个程序中，成为了其中的重要组成部分。现有技术中提供了一些机器学习方法，通过对获取到的数据进行分析和预测得到一定的结论和信息。然而，现有技术中的方法不能精确、快速地对数据进行分析，以得到的精确的分析结果。
技术实现思路
有鉴于此，本专利技术实施例提供了一种基于灰狼优化算法的数据分析方法及装置，以解决现有技术中不能精确、快速地对数据进行分析，以得到的精确的分析结果的问题。本专利技术实施例的第一方面提供了一种灰狼优化算法的数据分析方法，包括：获取待分析数据；根据预设的搜索空间，通过灰狼优化算法计算狼群的惩罚系数和核宽；根据所述惩罚系数、核宽以及预设的分析模型，对所述待分析数据进行分析，得到分析结果。本专利技术实施例的第二方面提供了一种灰狼优化算法的数据分析装置，包括：数据获取单元，用于获取待分析数据；参数计算单元，用于根据预设的搜索空间，通过灰狼优化算法计算狼群的惩罚系数和核宽；数据分析单元，用于根据所述惩罚系数、核宽以及预设的分析模型，对所述待分析数据进行分析，得到分析结果。本专利技术实施例的第三方面提供了一种灰狼优化算法的数据分析装置，包括：处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储支持装置执行上述方法的计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行上述第一方面的方法。本专利技术实施例的第四方面提供了一种计算机可读存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行上述第一方面的方法。本专利技术实施例与现有技术相比存在的有益效果是：通过反向学习机制选择适应度高的灰狼作为Alpha狼和Beta狼，增强了灰狼种群多样性，其次通过莱维飞行机制，通过时长时短、方向随机的移动方式增强灰狼跳出局部最优的能力；最后引入螺旋运动机制，使Omega狼通过螺旋运动到靠近Alpha狼和Beta狼，增强灰狼的局部搜索能力。有效的避免整个种群陷入局部最优，从而增强算法的全局探测能力。将提出的灰狼优化算法应用于机器学习模型的参数学习，进而对具体领域的问题进行分类、预测，提高预测结果的精度；附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术实施例提供的基于灰狼优化算法的数据分析方法的流程图；图2是本专利技术另一实施例提供的基于灰狼优化算法的数据分析方法的流程图；图3是本专利技术另一实施例提供的灰狼优化算法的仿真结果对比图；图4是本专利技术实施例提供的基于灰狼优化算法的数据分析装置的示意图；图5是本专利技术另一实施例提供的基于灰狼优化算法的数据分析装置的示意图；图6是本专利技术实施例提供的基于灰狼优化算法的数据分析装置的示意图。具体实施方式以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本专利技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本专利技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本专利技术的描述。为了说明本专利技术所述的技术方案，下面通过具体实施例来进行说明。如图1所示，图1为本专利技术实施例提供的一种基于灰狼优化算法的数据分析方法的流程图。本实施中基于灰狼优化算法的数据分析方法的执行主体为具有数据分析功能的装置，该装置可以为计算机、服务器、平板电脑等装置，此处不做限制。如图1所示的基于灰狼优化算法的数据分析方法可以包括以下步骤：S101：获取待分析数据。在对数据进行分析之前，先获取待分析的数据。待分析数据可以通过数据采集装置将数据采集起来，通过存储装置将采集到的数据存储。在数据存储到一定数据量、一定时间或者需要对数据进行分析时，可以将存储在存储装置中的数据提取出来，也可以通过采集装置实时获取待分析数据。示例性的，待分析数据可以是金融领域的数据。比如针对企业破产风险预测数据单个样本属性分布数据：有X1～Xn个这样的相关金融指标如负债率、资产总额等属性指标；Xn+1是类别标签：即该企业在两年内是否有破产风险的存在，若有破产风险标签为1，没有破产风险标签为-1。示例性的，待分析可以是医疗领域类的数据。比如针对基于超声特征的甲状腺良恶性结节区分的数据单个样本属性分布，该数据属性值分为两大类，即数据属性X1～X8表示了针对甲状腺良恶性结节疾病的超声属性；X9表示了该数据样本的类别，即区分良性结节和恶性结节，若样本为恶性结节：值为1，若样本为良性结节：值为-1。通过该领域内的属性指标和类别标签组成样本数据格式，基于该数据格式获取待分析数据。S102：根据预设的搜索空间，通过灰狼优化算法计算狼群的惩罚系数和核宽。灰狼算法通过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，将适应度最高的灰狼依次定义为阿尔法Alpha狼、贝塔Beta狼，其余的定义为欧米茄Omega狼，Omega狼的运动方向由Alpha狼和Beta狼来确定，实验结果证明该算法具有较强的搜索能力。通过参数初始化，确定最大迭代次数、狼群中各个灰狼类型的个数以及最优解的搜索空间，其中最优解为狼群的惩罚系数和核宽。灰狼优化算法通过预设的搜索空间计算出狼群中每只灰狼的当前位置，每只灰狼的当前位置包括惩罚系数和核宽。再通过反向学习机制计算出当前位置所对应的反向解，得到反向位置，并对原解和反向解进行评估，从中选出较优的解作为下一代个体，这个下一代个体即为最优解对应的灰狼，该灰狼当前位置所对应的惩罚系数和核宽即为狼群的惩罚系数和核宽。通过反向学习过程可改善灰狼粒子种群的多样性，增大狼群中的不同种类狼群的个数，将两者对比进而获取更好的解，保证了算法的全局探测以找到最优解的能力。S103：根据所述惩罚系数、核宽以及预设的分析模型，对所述待分析数据进行分析，得到分析结果。通过预先建立的分析模型对待分析数据进行处理。该分析模型在进行数据分析之前建立好，并存储进相应的存储装置或者服务器中，以便随时对数据进行处理。将灰狼优化算法用于数据分析模型的参数优化中，通过确定出最优惩罚系数和核宽，构建最优的机器学习模型来分析数据，得到精确的数据分析结果。可选的，该数据分析模型可以用来对待分析数据进行分类。示例性的，待分析数据可以是金融领域的数据。通过获取针对企业的相关金融指标，如负债率、资产总额等属性指标；以及待分析数据的类别标签，即该企业在两年内是否有破产风险的存在，若有破产风险标签为1，本文档来自技高网...

【技术保护点】
一种基于灰狼优化算法的数据分析方法，其特征在于，包括：获取待分析数据；根据预设的搜索空间，通过灰狼优化算法计算狼群的惩罚系数和核宽；根据所述惩罚系数、核宽以及预设的分析模型，对所述待分析数据进行分析，得到分析结果。

【技术特征摘要】
1.一种基于灰狼优化算法的数据分析方法，其特征在于，包括：获取待分析数据；根据预设的搜索空间，通过灰狼优化算法计算狼群的惩罚系数和核宽；根据所述惩罚系数、核宽以及预设的分析模型，对所述待分析数据进行分析，得到分析结果。2.如权利要求1所述的基于灰狼优化算法的数据分析方法，其特征在于，所述根据预设的搜索空间，通过灰狼优化算法计算狼群的惩罚系数和核宽，包括：根据所述搜索空间，确定所述狼群中每只灰狼的当前位置的第一特征值及反向位置的第二特征值；根据所述第一特征值确定所述每只灰狼的第一适应度，并根据所述第一特征值以及所述第二特征值确定所述每只灰狼的第二适应度；根据所述第一适应度和所述第二适应度，选择适应度最高的灰狼为所述狼群中的Alpha狼，将所述Alpha狼的当前位置对应的第一特征值包含的惩罚系数和核宽识别为所述狼群的惩罚系数和核宽。3.如权利要求2所述的基于灰狼优化算法的数据分析方法，其特征在于，所述根据所述搜索空间，确定所述狼群中每只灰狼的当前位置的第一特征值及反向位置的第二特征值，包括：根据所述搜索空间，计算所述狼群中每只灰狼在当前位置对应的惩罚系数和核宽；根据所述搜索空间和所述当前位置对应的惩罚系数和核宽，计算所述反向位置对应的反向惩罚系数和反向核宽；所述根据所述第一特征值确定所述每只灰狼的第一适应度，并根据所述第一特征值以及所述第二特征值确定所述每只灰狼的第二适应度，包括：根据所述每只灰狼的所述当前位置对应的惩罚系数和核宽，计算所述当前位置对应的第一适应度，根据所述第一适应度确定第一狼群；根据所述每只灰狼的当前位置对应的惩罚系数和核宽，以及所述反向位置对应的反向惩罚系数和反向核宽，计算所述反向位置对应的第二适应度，根据所述第二适应度确定第二狼群；所述根据所述第一适应度和所述第二适应度，选择适应度最高的所述灰狼为所述狼群中的Alpha狼，将所述Alpha狼的当前位置对应的第一特征值包含的惩罚系数和核宽识别为所述狼群的惩罚系数和核宽，包括：根据所述第一适应度和所述第二适应度，从所述第一狼群和所述第二狼群中，选择预设数量的灰狼组成第三狼群；根据所述第一适应度和所述第二适应度，从所述第三狼群中选择适应度最高的灰狼为Alpha狼，确定所述Alpha狼当前位置对应的惩罚系数和核宽为所述狼群的惩罚系数和核宽。4.如权利要求2或3所述的基于灰狼优化算法的数据分析方法，其特征在于，所述根据所述当前位置确定所述每只灰狼的第一适应度，包括：将所述当前位置对应的惩罚系数和核宽作为所述分析模型的第一参数，通过所述第一参数计算所述分析模型的第一准确度，将所述第一准确度作为所述第一适应度；所述根据所述第一特征值以及所述第二特征值确定所述每只灰狼的第二适应度，包括：将所述当前位置对应的惩罚系数和核宽，以及所述反向位置对应的反向惩罚系数和反向核宽作为所述分析模...

【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，
申请(专利权)人：温州大学，
类型：发明
国别省市：浙江,33