本发明专利技术涉及一种基于医疗物联网数据分析的新型群智能优化算法，利用Sobol序列改进GWO算法，使灰狼种群初始化位置覆盖解空间，再通过柯西随机变换策略，交换搜索代理之间的维度值，最后引入定向突变机制，在搜索解的层级进行交叉和变异，得到基于混合策略的灰狼优化算法；并利用改进后的算法优化SVR预测模型，得到最优的径向基核函数参数与惩罚因子，降低预测模型的误差大小，提高对病人流预测的准确度和有效性。有效性。有效性。
【技术实现步骤摘要】
一种基于医疗物联网数据分析的新型群智能优化算法
[0001]本专利技术属于物联网数据分析
，尤其涉及一种基于医疗物联网数据分析的新型群智能优化算法。
技术介绍
[0002]随着医疗信息化的推进和医疗大数据的兴起，大中型的综合医院为改善医院门诊服务质量，缩短病人等待时间，普遍采用人工智能大数据系统对医疗资源进行优化管理。但由于受到自然环境条件、病人和医生行为等多种因素的影响，能出现医院的等待时间越长越吸引病人或者医院等待队列规律性变化，从而导致医院难以实施门诊病人优化管理措施，无法有效引导病人就医，造成现有资源的实际使用效果与预期结果不相吻合。目前，越来越多的研究者采用机器学习技术预测医院的病人就诊人数，但由于大部分预测模型采用的是一元时序特征预测方法，而病人流的变化受多种复杂因素的影响，不具有明显的线性特征，导致模型的准确度不高。另一方面，受限于分类预测器自身的缺陷，导致基于SVM等预测模型的预测偏差大，如何提升病人流预测模型的精确度、减少误差是当前医疗资源调度研究的一大难题。为提升预测方法的精确度，越来越多的研究者开始考虑采用群智能优化算法对模型进行优化，群智能优化算法可以有效的帮助预测模型寻找最优超参数，并且在众多预测模型中SVR的应用频率非常高，但现有的算法存在若干缺陷，如收敛精度不高，搜索速度慢，容易陷入局部最优；在群智能优化算法中，GWO算法，即灰狼优化算法的开发能力强，但仍存在上述的算法缺陷，因而现有群智能优化算法对预测模型的优化效果不佳，无法得到符合预期效果的病人流预测结果。因此，设计一种能增大GWO算法搜索覆盖面，加快搜索速度，提高收敛精度的基于医疗物联网数据分析的新型群智能优化算法成为了急需解决的技术问题。
技术实现思路
[0003]本专利技术为解决上述问题，提供了一种基于医疗物联网数据分析的新型群智能优化算法。
[0004]本专利技术的技术方案，一种基于医疗物联网数据分析的新型群智能优化算法，包括GWO算法优化步骤以及建立SVR支持向量回归模型步骤，所述GWO算法优化步骤包括先利用Sobol序列改进GWO算法，使灰狼种群初始化位置覆盖解空间，再通过柯西随机变换策略，交换搜索代理之间的维度值，最后引入定向突变机制，在搜索解的层级进行交叉和变异，得到基于混合策略的灰狼优化算法，下文称SXRGWO算法；所述建立SVR支持向量回归模型步骤基于SXRGWO算法优化SVR模型，获得最优的超参数，所述最优的超参数包括径向基核函数参数以及惩罚因子，利用径向基核函数参数以及惩罚因子形成最佳参数组合，建立SRXGWO
‑
SVR模型。
[0005]采用上述方法后，通过Sobol序列改进GWO算法，代替原有的随机初始化方式，扩大初始解的分布范围，使灰狼种群初始化位置覆盖解空间，提高灰狼种群的均匀性和多样性，
进而提高原始GWO算法的寻优性能；通过柯西随机变换策略，交换搜索代理之间的维度值，提高开发能力；通过引入定向突变机制，在搜索解的层级进行交叉和变异，调整算法在迭代过程中搜索和开发的权重，提高了算法的搜索能力和跳出局部最优的能力；通过GWO算法优化步骤得到的SRXGWO算法具有更高的收敛速度和精度；通过SRXGWO算法优化SVR的两个超参数，有效地改进了SVR模型，提高了预测的准确度。
[0006]作为本专利技术的进一步改进，所述利用Sobol序列改进GWO算法的步骤包括，(1)以单位向量生成Sobol序列中每个维度的矩阵，并对应表示Sobol序列为其中i表示为二进制的数，数中每一位上的字符ak(i)排成一个向量；(2)将nk(i)镜像到小数点的右侧并转换成十进制，得到一维Sobol序列X
i
＝{N(1)，N(2)...，N(i)，i∈N}；(3)将一维Sobol序列乘以每个维度的矩阵，得到多维Sobol序列；(4)从得到的Sobol序列中，采用符合预期目标参数寻优阈值的均匀分布的n个点；(5)步骤(4)采用的点作为GWO算法的初始化种群空间位置，并将得到的前3个解对应定义为GWO算法的α、β、δ狼。
[0007]作为本专利技术的进一步改进，所述柯西随机变换策略通过设置参数l，遍历灰狼种群得到为X
l
的个体，根据算法剩余运行次数占总运行次数的比值与柯西随机数相比较，若柯西随机数小于比值，则将X
l
与最优解α狼进行维度值替换，再计算替换后X
l
的适应度值，若适应度值优于最优解则替换二者，反之不变。
[0008]作为本专利技术的进一步改进，所述定向突变机制包括导向交叉操作以及导向变异操作。
[0009]作为本专利技术的进一步改进，所述导向交叉操作包括交叉p
c
、变量交叉概率p
cv
、定向概率p
d
和乘法因子α组成的四个参数，该导向交叉操作的步骤包括，(1)从GWO算法的灰狼种群中随机选择产生不同的父代个体和其中j∈[1，d]，d为父代个体包含的维度数；(2)获取父代个体在j个维度的平均值和第j个维度的最佳个体的值(3)判断和的大小，计算迭代中的两个参数val和β，得到定向杂交机制产生的个体c1以及c2.
[0010]作为本专利技术的进一步改进，所述参数val和β的计算公式为以及当时，时，时，时，；当时，时，
；当父代个体有相同的值，当时，替换参数val和β的计算公式为以及c1以及c2的计算公式为的计算公式为的计算公式为的计算公式为；所述导向交叉操作的计算公式中，r3以及r4为两个不同的随机数，该r3∈(0，1)，r4∈(0，1)，和分别是父代个体在第j个维度的上界和下界，α是乘法因子。
[0011]作为本专利技术的进一步改进，所述导向变异操作通过将当前迭代个体设为y，并依据对应维度中的最优个体y_best的位置信息，对当前迭代的个体y进行变异引导；所述变异引导通过计算权重参数β1和β2，依据和的大小，带入权重参数得到导向变异结构；当时，当时，所述导向变异操作的公式中，r和r2是两个随机数，r∈(0，1)，r2∈(0，1)，r≠0，和分别是个体在第j个维度上的上界和下界，p
d
是取向概率，该p
d
∈(0.5，1)。
[0012]采用上述方法后，通过Sobol序列不仅可以使空间点均匀分布，而且不需要预先确定样本数量并对其进行存储，可根据需要生成无限个样本，实现对灰狼种群初始化位置的筛选，提高灰狼种群的均匀性和多样性，进而提高原始GWO算法的寻优性能；通过柯西随机变换策略对搜索代理的维度进行扰动，提高个体之间的交互性，改变GWO算法中保守的位置更新方式，解决了GWO算法在处理多峰问题时，出现搜索解的质量差和陷入局部最优的问题；通过导向交叉操作实现了利用当前迭代的最优个体的位置信息来引导个体的下一次变化趋势，结合导向变异操作，降低GWO算法对排名前三头狼的搜索能力的依赖，防止陷入局部最优陷阱，提高最优解的精度。
[0013]作为本专利技术的进一步改进，所述建立SRXGWO
‑
SVR模型的步骤本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于医疗物联网数据分析的新型群智能优化算法，其特征在于：包括GWO算法优化步骤以及建立SVR支持向量回归模型步骤，所述GWO算法优化步骤包括先利用Sobol序列改进GWO算法，使灰狼种群初始化位置覆盖解空间，再通过柯西随机变换策略，交换搜索代理之间的维度值，最后引入定向突变机制，在搜索解的层级进行交叉和变异，得到基于混合策略的灰狼优化算法，下文称SXRGWO算法；所述建立SVR支持向量回归模型步骤基于SXRGWO算法优化SVR模型，获得最优的超参数，所述最优的超参数包括径向基核函数参数以及惩罚因子，利用径向基核函数参数以及惩罚因子形成最佳参数组合，建立SRXGWO
‑
SVR模型。2.根据权利要求1所述一种基于医疗物联网数据分析的新型群智能优化算法，其特征在于：所述利用Sobol序列改进GWO算法的步骤包括，(1)以单位向量生成Sobol序列中每个维度的矩阵，并对应表示Sobol序列为其中i表示为二进制的数，数中每一位上的字符ak(i)排成一个向量；(2)将ak(i)镜像到小数点的右侧并转换成十进制，得到一维Sobol序列X
i
＝{N(1)，N(2)...，N(i)，i∈N)；(3)将一维Sobol序列乘以每个维度的矩阵，得到多维Sobol序列；(4)从得到的Sobol序列中，采用符合预期目标参数寻优阈值的均匀分布的n个点；(5)步骤(4)采用的点作为GWO算法的初始化种群空间位置，并将得到的前3个解对应定义为GWO算法的a、β、δ狼。3.根据权利要求1所述一种基于医疗物联网数据分析的新型群智能优化算法，其特征在于：所述柯西随机变换策略通过设置参数l，遍历灰狼种群得到为X
l
的个体，根据算法剩余运行次数占总运行次数的比值与柯西随机数相比较，若柯西随机数小于比值，则将X
l
与最优解a狼进行维度值替换，再计算替换后X
l
的适应度值，若适应度值优于最优解则替换二者，反之不变。4.根据权利要求1所述一种基于医疗物联网数据分析的新型群智能优化算法，其特征在于：所述定向突变机制包括导向交叉操作以及导向变异操作。5.根据权利要求4所述一种基于医疗物联网数据分析的新型群智能优化算法，其特征在于：所述导向交叉操作包括交叉p
c
、变量交叉概率p
cv
、定向概率p
d
和乘法因子α组成的四个参数，该导向交叉操作的步骤包括，(1)从GWO算法的灰狼种群中随机选择产生不同的父代个体和其中j∈[1，d]，d为父代个体包含的维度数；(2)获取父代个体在j个维...
【专利技术属性】
技术研发人员：张翔，钱仁川，廖敏杰，方立明，陈慧灵，高志宏，杨雅各，洪帅，
申请(专利权)人：温州市数据管理发展集团有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。