一种基于改进的飞蛾优化算法构建预测模型的方法技术

本发明专利技术提供一种基于改进的飞蛾优化算法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；利用基于改进的飞蛾优化算法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。实施本发明专利技术，通过基于改进的飞蛾优化算法来优化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以获得分类精度更高的SVM模型。

A method of building prediction model based on improved moth optimization algorithm

【技术实现步骤摘要】
一种基于改进的飞蛾优化算法构建预测模型的方法
本专利技术涉及计算机
，尤其涉及一种基于改进的飞蛾优化算法构建预测模型的方法。
技术介绍
众所周知，科学技术日益表现出交叉和渗透的特征，特别是计算机科学技术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，尤其是元启发式优化算法用于大数据的分类及预测中。支持向量机(SVM)常用于构建预测模型来对数据进行分析，该支持向量机(SVM)最常用的两种参数优化方法包括网格搜索和梯度下降。在第一种参数优化方法中，网格搜索是一种穷举搜索方法，它一般是通过设置合理的区间上下限和间隔步长对指定参数空间进行划分，然后对每个网格节点代表的参数组合进行训练和预测，将这些预测结果中取值最高的一组参数作为最终SVM模型的最佳参数。该方法虽然在一定程度上能保证得到给定参数空间内最优的参数组合，然而随着参数空间增大，其搜索效率会大大降低，特别是设置合理的区间和间隔步长值往往非常困难，从而大大降低了其可行性，而且模型也非常容易陷入局部最优值；在第二种参数优化方法中，梯度本文档来自技高网...

【技术保护点】
1.一种基于改进的飞蛾优化算法构建预测模型的方法，其特征在于，包括以下步骤：/n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；/n步骤S2、利用基于改进的飞蛾优化算法优化支持向量机的惩罚因子C和核宽γ，具体为：/n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T、当前迭代次数l、飞蛾个数N、搜索空间上边界ub、搜索空间下边界lb、最优火焰Fbest、C的搜索空间[Cmin，Cmax]和γ的搜索空间[γmin，γmax]；/n步骤S2.2、根据公式(1)计算最优火焰个数FlameNo；/n

【技术特征摘要】
1.一种基于改进的飞蛾优化算法构建预测模型的方法，其特征在于，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、利用基于改进的飞蛾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T、当前迭代次数l、飞蛾个数N、搜索空间上边界ub、搜索空间下边界lb、最优火焰Fbest、C的搜索空间[Cmin，Cmax]和γ的搜索空间[γmin，γmax]；
步骤S2.2、根据公式(1)计算最优火焰个数FlameNo；



其中，N为最大飞蛾数量，l表示当前迭代次数，T则为最大迭代次数；
步骤S2.3、随机初始化N只飞蛾的位置，其中第i只飞蛾的位置为Mi＝(Mi1，Mi2)，i＝1，2，...，N；Mi1表示飞蛾在当前位置时的惩罚因子C值，Mi2表示飞蛾在当前位置时的核宽γ值；
步骤S2.4、判断是否为第一次迭代，若是则直接对每只飞蛾Mi均计算其适应度fi，否则先将最新的飞蛾位置M与历史最优飞蛾位置F合并,再计算其适应度fi，并将每只飞蛾i的适应度fi由大到小排序，选取其中前N只飞蛾位置作为历史最优位置F；
步骤S2.5、筛选出N只飞蛾中适应度大于最优火焰的适应度、且适应度为最大的飞蛾，将最优火焰Fbest替换成当前所筛选出适应度最大的飞蛾，且进一步将当前飞蛾位置赋值给最佳火焰位置Best_pos；
其中，每只飞蛾i的适应度fi是基于飞蛾i当前位置的C和γ值，其根据公式(2)以内部K折交叉验证策略计算出支持向量机的准确度ACC；



其中，acck表示每一折数据上计算获得的准确度；
步骤S2.6、根据公式(3)计算飞蛾到对应火焰的距离，根据公式(4)，重新计算出每个飞蛾的新位置；
Di＝|F...

【专利技术属性】
技术研发人员：陈慧灵，李敏惠，杨锬，谷至阳，汪鹏君，孙诚，赵学华，
申请(专利权)人：温州大学，
类型：发明
国别省市：浙江;33