一种改进爬行动物搜索算法优化SVM的方法及其应用技术

本发明专利技术公开了一种改进爬行动物搜索算法优化SVM的方法及其应用，包括以下步骤：S1、改进爬行动物搜索算法，S11、Bernoullishift混沌映射改进种群初始化公式；S12、引入时变非线性自适应权重改进迭代更新公式；S13、增加柯西和高斯两种策略进行自适应变异；S14、得到改进后的爬行动物搜索算法流程并进行仿真实验；S2、建立基于IRSA

【技术实现步骤摘要】
一种改进爬行动物搜索算法优化SVM的方法及其应用


[0001]本专利技术涉及搜索算法
，尤其是涉及一种改进爬行动物搜索算法优化SVM的方法及其应用。

技术介绍

[0002]斜拉桥在服役期间，由于受到自然灾害和人为因素的影响不可避免地会出现损伤，从而导致承载能力和耐久性降低，损伤严重时会引发灾难性事故。为能更早地发现斜拉桥损伤，进而采取必要措施避免危险发生，有必要对斜拉桥进行健康监测，斜拉桥损伤识别是斜拉桥健康监测系统的重要组成部分和核心。目前在斜拉桥损伤识别方法中，支持向量机(Support Vector Machines,SVM)、神经网络等机器学习算法被广泛应用，其中SVM因具有较强的学习能力和泛化能力而受到青睐。SVM学习参数的选用对其性能有重要影响，SVM达到最优性能需对其学习参数进行优化。因此，SVM学习参数的优化问题具有重要研究意义。
[0003]目前，传统的SVM学习参数优化方法主要有人工实验法、梯度下降法和拟牛顿法等。人工实验法依据经验对参数进行测试和比较，得到实验好的参数组合；梯度下降法以任意选择的初始参数值构造局域，沿梯度方向进行迭代，实现学习参数的优化；拟牛顿法用Sigmoid函数将SVM的输出映射为相应的概率，用于校验集上的误差估计，通过最小化误差估计得到优化后的学习参数。上述方法中人工实验法存在随机性强、缺乏权威理论指导的不足；梯度下降法和拟牛顿法的优化结果与学习参数初值的选取有很大的相关性，一旦初值选取不当，对优化的结果会有较大的影响。
[0004]基于智能算法的SVM学习参数优化方法受到学者们的青睐。王保健等通过核主成分分析方法构造SVM的输入样本，减少数据间的冗余，利用粒子群(Particle swarm optimization,PSO)算法优化SVM的核函数参数和惩罚因子等学习参数对轴承齿轮进行故障诊断；任娟娟等利用PSO优化SVM的惩罚因子和核函数参数，结合基于振动响应的损伤特征，实现对CA砂浆脱空类型的识别；王志超等为保证从核电站大量数据中有效地挖掘信息，提出一种利用PSO优化SVM惩罚因子和核函数参数的故障程度评估方法，用于完善故障诊断系统的功能；田中大等利用黏菌算法来确定SVM的核函数参数和惩罚因子，实现了对网络流量的预测；胡鸿志等分别利用麻雀搜索算法(Sparrow Search Algorithm,SSA)和PSO优化SVM的惩罚因子和核函数参数，对刀具磨损状态进行识别，识别结果表明SSA
‑
SVM比PSO
‑
SVM具有更高的识别精度；吕鑫等发现SSA存在局部搜索能力差，易陷入局部最优的不足。上述SVM学习参数优化方法大多针对核函数参数和惩罚因子两种学习参数，未考虑对SVM性能有重要影响的核函数类型和损失函数参数；而且所采用的算法搜索机制较单一，大多具有一定的针对性和局限性；同时，当用在不同的领域尤其应用在斜拉桥损伤识别领域时，会出现局部最优问题。

技术实现思路

[0005]本专利技术的目的是提供一种改进爬行动物搜索算法优化SVM的方法及其应用，解决了已有智能算法在优化支持向量机时搜索机制单一，以及全面考虑了对SVM性能有重要影响的学习参数的问题。
[0006]为实现上述目的，本专利技术提供了一种改进爬行动物搜索算法优化SVM的方法及其应用，包括以下步骤：
[0007]S1、改进爬行动物搜索算法
[0008]S11、Bernoulli shift混沌映射改进种群初始化公式；
[0009]S12、引入时变非线性自适应权重改进迭代更新公式；
[0010]S13、增加柯西和高斯两种策略进行自适应变异；
[0011]S14、得到改进后的爬行动物搜索算法流程并进行仿真实验；
[0012]S2、建立基于IRSA
‑
SVM的斜拉桥损伤识别模型
[0013]S21、RSA优化SVM的适应度函数设计；
[0014]S22、IRSA优化SVM的损伤识别建模。
[0015]优选的，在步骤S11中，引入Bernoulli shift混沌映射进行鳄鱼种群位置的初始化，Bernoulli shift混沌映射公式如下：
[0016][0017]式中，Z表示随机生成的混沌向量，当λ∈(0.2,0.5)U(0.5,0.8)时Bernoulli shift映射处于混沌状态；
[0018]将混沌向量映射到种群空间，得到Bernoulli shift混沌映射生成的初始种群，其公式如下：
[0019]x
ij
＝Z
×
(UB
‑
LB)+LB,j＝1,2,
…
,n (2)
[0020]式中，x
ij
表示Bernoulli shift混沌映射生成的初始种群。
[0021]优选的，在步骤S12中，高空行走阶段选用腹部行走策略，缩小搜索步距，接近最优位置，狩猎合作阶段，需要较小的权重增强局部开发能力，同时在迭代末期需要给予个体位置一个相对较大的扰动，避免算法在极值点处震荡，因此，在高空行走和狩猎合作两个策略中引入时变非线性自适应权重w，w公式如下：
[0022][0023]式中，w
end
表示迭代结束时的惯性权重；w
start
表示迭代开始时的权重系数；n表示递减的常数；
[0024]将公式(3)带入高空行走和狩猎合作两个策略的迭代更新公式中，得到改进后的迭代更新公式如下：
[0025][0026]优选的，在步骤S13中，在RSA中增加包括柯西和高斯两种变异策略的混合变异机制，为实现混合变异机制中变异策略的自适应选择，引入判定系数p，利用判定系数p可确定使用的变异策略，其中p<0.5时采用柯西变异，p≥0.5时采用高斯变异，公式如下：
[0027][0028]其中，柯西变异和高斯变异分别源于柯西分布和高斯分布，柯西分布概率密度函数公式和高斯分布概率密度函数公式如下：
[0029][0030][0031]式中，σ表示标准差；μ表示期望值；当σ＝1，μ＝1时为标准柯西和高斯分布；x'表示变异后的位置；xnew表示原有位置；Cauchy(0,1)表示服从标准柯西分布的随机向量；Guass(0,1)表示服从标准高斯分布的随机向量；p表示[0,1]之间的随机数；
[0032]对种群进行变异虽能让算法跳出原位置，但不能确定变异位置的适应度值优于原位置，若直接进行位置替换算法存在不收敛的问题，为使算法能够收敛到最优解，在种群变异后加入贪婪策略，通过比较变异前后鳄鱼位置的适应度值后再决定是否更新目标位置，贪婪策略公式如下：
[0033][0034]式中，x'new表示贪婪选择后的鳄鱼位置；f(xnew)表示原位置的适应度值；f(x')表示变异后位置的适应度值。
[0035]优选的，在步骤S21中，IRSA在n维种群空间内每只鳄鱼的位置为X＝(x1，x2，x3，x4，...本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种改进爬行动物搜索算法优化SVM的方法，其特征在于，包括以下步骤：S1、改进爬行动物搜索算法S11、Bernoullishift混沌映射改进种群初始化公式；S12、引入时变非线性自适应权重改进迭代更新公式；S13、增加柯西和高斯两种策略进行自适应变异；S14、得到改进后的爬行动物搜索算法流程并进行仿真实验；S2、建立基于IRSA
‑
SVM的斜拉桥损伤识别模型S21、RSA优化SVM的适应度函数设计；S22、IRSA优化SVM的损伤识别建模。2.根据权利要求1所述的一种改进爬行动物搜索算法优化SVM的方法，其特征在于：在步骤S11中，引入Bernoullishift混沌映射进行鳄鱼种群位置的初始化，Bernoullishift混沌映射公式如下：式中，Z表示随机生成的混沌向量，当λ∈(0.2,0.5)U(0.5,0.8)时Bernoulli shift映射处于混沌状态；将混沌向量映射到种群空间，得到Bernoullishift混沌映射生成的初始种群，其公式如下：x
ij
＝Z
×
(UB
‑
LB)+LB,j＝1,2,
…
,n(2)式中，x
ij
表示Bernoullishift混沌映射生成的初始种群。3.根据权利要求1所述的一种改进爬行动物搜索算法优化SVM的方法，其特征在于：在步骤S12中，高空行走阶段选用腹部行走策略，缩小搜索步距，接近最优位置，狩猎合作阶段，需要较小的权重增强局部开发能力，同时在迭代末期需要给予个体位置一个相对较大的扰动，避免算法在极值点处震荡，因此，在高空行走和狩猎合作两个策略中引入时变非线性自适应权重w，w公式如下：式中，w
end
表示迭代结束时的惯性权重；w
start
表示迭代开始时的权重系数；n表示递减的常数；将公式(3)带入高空行走和狩猎合作两个策略的迭代更新公式中，得到改进后的迭代更新公式如下：4.根据权利要求1所述的一种改进爬行动物搜索算法优化SVM的方法，其特征在于：在步骤S13中，在RSA中增加包括柯西和高斯两种变异策略的混合变异机制，为实现混合变异
机制中变异策略的自适应选择，引入判定系数p，利用判定系数p可确定使用的变异策略，其中p<0.5时采用柯西变异，p≥0.5时采用高斯变异，公式如下：其中，柯西变异和高斯变异分别源于柯西分布和高斯分布，柯西分布概率密度函数公式和高斯分布概率密度函数公式如下：式和高斯分布概率密度函数公式如下：式中，σ表示标准差；μ表示期望值；当σ＝1，μ＝1时为标准柯西和高斯分布；x'表示变异后的位置；xnew表示原有位置；Cauchy0,1表示服从标准柯西分布的随机向量；Guass(0,1)表示服从标准高斯分布的随机向量；p表示[0,1]之间的随机数；对种群进行变异虽能让算法跳出原位置，但不能确定变异位置的适应度值优于原位置，若直接进行位置替换算法存在不收敛的问题，为使算法能够收敛到最优解，在种群变异后加入贪婪策略，通过比较变异前后鳄鱼位置的...

【专利技术属性】
技术研发人员：刘杰，程寒，刘庆宽，王海龙，卜建清，
申请(专利权)人：石家庄铁道大学，
类型：发明
国别省市：