一种船舶主机备件库存消耗预测方法技术

本发明专利技术公开了一种船舶主机备件库存消耗预测方法，属于船舶主机备件预测技术领域，所述方法包括以下步骤：首先获取船舶主机备件的历史使用数据，对其进行归一化处理，其次利用改进红狐优化算法中对支持向量机回归参数进行寻优，构建船舶主机备件的预测模型。最后某一时间段内船舶主机备件使用情况的历史数据作为训练集，训练其预测模型，然后对测试的结果进行反归一化后，输出预测结果。本发明专利技术通过在红狐优化算法中采用反思学习和精英反向学习策略，使得改进的算法在收敛速度和精确度上有所提高，同时利用红狐优化算法对参数寻优，降低了因个人主观因素设置参数造成的预测结果不理想的情况，为船舶主机备件预测提供精准的预测服务。的预测服务。的预测服务。

【技术实现步骤摘要】
一种船舶主机备件库存消耗预测方法


[0001]本专利技术属于船舶主机备件预测
，具体涉及一种船舶主机备件库存消耗预测方法。

技术介绍

[0002]船舶主机备件是保障船舶正常海上作业的重要装备，其备件的需求和预测是进行备件筹措、供应、储运等各项管理工作的基础，合理、科学的备件库存能够有效地帮助决策者对各种类型的备件采取相应的管理措施，达到降低库存成本、及时备件的目的。
[0003]船舶主机备件库存消耗预测，是根据过去船舶主机备件的使用情况以及当前船舶主机备件库存的状态预测未来某段时间内库存的消耗。常用的备件预测方法有时间序列模型、灰色模型、神经网络模型等，因备件预测属于非线性动态问题，影响备件消耗的因素繁杂，譬如备件故障规律、失效率、船舶航海时间以及设备定期维护等，故其建立模型较为复杂，上述方法中时间序列模型适用于线性预测，灰色模型适用于单调递增以及递减的光滑数据样本的预测，神经网络模型存在着学习以及泛化能力差的缺点，其对于船舶主机备件库存的预测效果出入较大，预测精度欠佳。
[0004]目前，船舶主机备件的需求较为复杂，而船舶主机售后服务企业备件供应量的预测大部分采用粗略的人工试算，其预测结果不高，难以科学、有效的针对船舶主机备件库存结构进行优化改进，导致库存管理成本加剧。因此，现阶段亟需一种有效的预测方法应用至船舶主机备件库存管理中。

技术实现思路

[0005]为解决上述
技术介绍
中提出的问题。本专利技术提供了一种船舶主机备件库存消耗预测方法，具有预测精度高、学习和泛化能力强的特点。
[0006]为实现上述目的，本专利技术提供如下技术方案：一种船舶主机备件库存消耗预测方法，所述方法包括以下步骤：
[0007]S1：获取过去船舶主机备件的使用情况的历史数据，并对其进行归一化处理，将原始数据映射到[0，1]区间。
[0008]S2：利用改进红狐优化算法对支持向量机回归参数进行寻优，构建船舶主机备件预测模型；
[0009]S3：将获取的某一时间段内船舶主机备件使用情况的历史数据作为训练集，训练船舶主机备件预测模型；
[0010]S4：利用构建的预测模型进行样本的测试，最后对测试的结果进行反归一化后，输出预测结果。
[0011]优选地，所述步骤S2中构建船舶主机备件预测模型具体包括：
[0012]S21：构建支持向量机回归船舶主机备件预测模型；确定支持向量机回归核函数，设定初始参数区间、最大迭代次数；
[0013]S22：通过改进红狐优化算法对支持向量机回归算法进行参数优化；初始化红狐种群，将船舶主机备件预测误差作为红狐个体的适应度函数。
[0014]S23：选择适应度数值最优的个体的位置，后根据改进红狐优化算法中运用数学模型模拟的红狐觅食、狩猎、逃离猎人等生活习性，通过其寻觅猎物、围攻猎物、躲避猎人三个阶段，不断迭代更新红狐个体位置，对迭代后个体进行择优选择，直至达到最大迭代次数，输出最佳红狐个体适应度位置。
[0015]S24：若不满足最大迭代次数，淘汰狐群中最差的个体，并利用最优个体进行繁殖后代，不断重复步骤3，直至迭代结束，输出最佳个体适应度值和最佳个体，获得最优支持向量机回归参数，构建基于红狐优化算法改进支持向量机回归的船舶主机备件预测模型。
[0016]优选的，所述步骤S21的支持向量机回归船舶主机备件预测模型具体包括：
[0017]S211：获取训练样本数据。
[0018]S212：将非线性样本数据通过非线性映射函数从原始样本空间映射到高维的特征空间中，在高维特征空间进行线性回归，建立预测模型。
[0019]S213：寻找最优参数，即惩罚系数C和核参数g。结合改进红狐优化算法，对支持向量机回归(SVR)参数进行寻优。
[0020]S214：将当前船舶备件历史消耗数据作为预测模型的输入值，后输出对应的备件的预测值。
[0021]优选的，所述步骤S22的改进红狐优化算法具体步骤包括：
[0022]S221：算法前提假设。狐群个体位置初始化为S221：算法前提假设。狐群个体位置初始化为表示第t次迭代过程中第i个红狐的位置。其中，n为维数，x
i
∈(a,b),a,b∈R。提前设定适应度函数，设红狐活动在特定的空间范围内，将适应度最佳的红狐记为最优个体，也叫α狐。
[0023]S222：计算适应度的数值，选择适应度最小的红狐个体。选择均方误差(Mean Square Error，MSE)作为红狐个体的适应度函数：其中为船舶主机备件的实际需求量，为船舶主机备件的预测需求量，红狐个体的适应度数值越低，算法的需求准确度越高。
[0024]S223：寻觅猎物——全局搜索阶段。狐群个体外出寻觅猎物，狐群内部相互交流，分享最容易捕获猎物的位置，使狐群朝着最优个体的位置活动，若活动后的适应度值优于原位置，则更新位置，否则返回原位置。狐群与最优个体的距离可表示为：狐群的位置更新公式为：其中是该区间内的随机数。
[0025]S224：引入反思学习，更新个体位置。将红狐更新前后的位置进行反思对比，反思学习的公式如下：
[0026][0027]其中，是红狐跟随α狐移动更新后的位置，是红狐的置，是反思学习后产生的新位置；ω∈[
‑
1,1]，表示学习因子。
[0028]S225：围攻猎物——局部搜索阶段。红狐发现可以猎物后，通过对周围观察、伺机行动进行捕猎，其数学模型如下：
[0029][0030]其中，μ∈[0,1]，为该区间内的随机数，以权衡伪装和逼近阶段。红狐包围猎物时，其活动半径r表达式如下：
[0031][0032]其中，α∈(0,0.2)，定义为逼近参数；φ0是介于0和2π之间的随机数，表示红狐观测角度；θ∈(0,1)，为最初设置的随机数，模拟红狐狩猎时天气因素影响。待时机合适，红狐开始包围、逼近猎物，其位置更新如下：
[0033][0034]其中，φ1,φ2……
φ
n
‑1，是在0和2π之间的随机数；表示为红狐的更新位置。
[0035]S226：采取精英反向学习策略。设当期群体中的精英个体为X
best
＝(x1,x2,
…
,x
n
)，则反向解定义为：
[0036][0037]其中，k∈[
‑
1,1]，a
j
,b
j
是x
i
的边界值。迭代搜索后选取狐群中最佳个体的一定比例构成精英狐群F
best
，并利用反向解求出精英狐群形成混合狐群F
best
、
[0038]S227：躲避猎人并发展种群。混合种群中适应度数值前最高的5％的个体被猎人捕杀而淘汰，选择适应度数值最小的α红狐夫妇建立栖息地模型。栖息地中心的计算公式为：
[0039][0040]其中，(X
best1
)
t...

【技术保护点】

【技术特征摘要】
1.一种船舶主机备件库存消耗预测方法，其特征在于，所述方法包括以下步骤：S1：获取过去船舶主机备件的使用情况的历史数据，并对其进行归一化处理，将原始数据映射到[0，1]区间；S2：利用改进红狐优化算法对支持向量机回归参数进行寻优，构建船舶主机备件预测模型；S3：将获取的某一时间段内船舶主机备件使用情况的历史数据作为训练集，训练船舶主机备件预测模型；S4：利用构建的船舶主机备件预测模型进行样本的测试，对测试的结果进行反归一化后，输出预测结果。2.根据权利要求1所述的一种船舶主机备件库存消耗预测方法，其特征在于：所述步骤S2中构建船舶主机备件预测模型具体包括：S21：构建支持向量机回归船舶主机备件预测模型；确定支持向量机回归核函数，设定初始参数区间、最大迭代次数；S22：通过改进红狐优化算法对支持向量机回归算法进行参数优化；初始化红狐种群，将船舶主机备件预测误差作为红狐个体的适应度函数；S23：选择适应度数值最优的个体的位置，后根据改进红狐优化算法中运用数学模型模拟的红狐觅食、狩猎、逃离猎人的生活习性，通过其寻觅猎物、围攻猎物、躲避猎人三个阶段，不断迭代更新红狐个体位置，对迭代后个体进行择优选择，直至达到最大迭代次数，输出最佳红狐个体适应度位置；S24：若不满足最大迭代次数，淘汰狐群中最差的个体，并利用最优个体进行繁殖后代，不断重复步骤S23，直至迭代结束，输出最佳个体适应度值和最佳个体，获得最优支持向量机回归参数，构建基于红狐优化算法改进支持向量机回归的船舶主机备件预测模型。3.根据权利要求2所述的一种船舶主机备件库存消耗预测方法，其特征在于：所述步骤S21的支持向量机回归船舶主机备件预测模型具体包括：S211：获取训练样本数据；S212：将非线性样本数据通过非线性映射函数从原始样本空间映射到高维的特征空间中，在高维特征空间进行线性回归，建立预测模型；S213：寻找最优参数，即惩罚系数C和核参数g，结合改进红狐优化算法，对支持向量机回归参数进行寻优；S214：将当前船舶备件历史消耗数据作为预测模型的输入值，后输出对应的备件的预测值。4.根据权利要求3所述的一种船舶主机备件库存消耗预测方法，其特征在于：所述步骤S22的改进红狐优化算法具体步骤包括：S221：算法前提假设；狐群个体位置初始化为S221：算法前提假设；狐群个体位置初始化为表示第t次迭代过程中第i个红狐的位置；其中，n为维数，x
i
∈(a,b),a,b∈R；提前设定适应度函数，设红狐活动在特定的空间范围内，将适应度最佳的红狐记为最优个体，也叫α狐；S222：计算适应度的数值，选择适应度最小的红狐个体；选择均方误差MSE作为红狐个
体的适应度函数：其中为船舶主机备件的实际需求量，为船舶主机备件的预测需求量，红狐个体的适应度数值越低，算法的需求准确度越高；S223：寻觅猎物——全局搜索阶段；狐群个体外出寻觅猎物，狐群内部相互交流，分享最容易捕获猎物的位置，使狐群朝着最优个体的位置活动，若活动后的适应度值优于原位置，则...

【专利技术属性】
技术研发人员：孟冠军，黄江涛，魏亚博，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：