【技术实现步骤摘要】
本专利技术属于混凝土强度预测，具体涉及一种基于改进蝙蝠优化算法与lightgbm模型结合的再生粗骨料混凝土强度预测方法。
技术介绍
1、随着人工智能的发展，机器学习技术在各个领域得到了广泛应用，其中，在混凝土强度预测领域中，机器学习方法通过其特有的强大学习能力，对混凝土力学性能可以做出预测，从而可以减少抗压强度获取时间和成本，随着低碳环保理念的推广，再生粗骨料混凝土逐渐走进视野，但使用机器学习方法对再生粗骨料混凝土抗压强度预测中，模型参数对模型预测结果具有很大影响，如何更好的选取模型参数，是目前亟待解决的问题。
2、现有常见的机器学习方法中，lightgbm作为一种高性能的梯度提升树算法，在分类、回归等领域中具有很好的表现。然而，lightgbm模型需要调整多个参数，并且不同的参数组合会对最终的预测结果产生显著影响，因此如何找到最优的参数组合是一个关键问题。
3、而启发式算法则被广泛应用于寻找最优解决方案，其中，蝙蝠优化算法(batalgorithm)作为新型启发式优化算法，模拟了蝙蝠的行为规律，在解决优化问题上具有较好的效果。
4、蝙蝠优化算法的基本原理是模拟蝙蝠的飞行行为，结合适应度评估和位置更新策略，逐步搜索最优解。这种算法与遗传算法、粒子群算法等传统优化算法相比，具有更强的全局搜索能力和鲁棒性，并且在机器学习领域，蝙蝠优化算法已经得到了广泛应用。例如，将其用于神经网络的训练，以及用于对支持向量机模型进行参数调整以提高模型性能等，上述研究均取得了较优的效果。
5、但是蝙蝠算法
6、此外在lightgbm模型中，需要对多个参数进行调整以达到最优预测效果。传统的参数搜索方法包括网格搜索、随机搜索等，但是这些方法需要尝试大量的参数组合，计算复杂度较高，同时也可能会存在局部最优解的问题。因此，如何利用启发式算法来寻找最优参数组合成为了一种重要的研究方向。
技术实现思路
1、针对现有技术中混凝土强度预测中模型参数选择困难且模型泛化能力较弱的缺陷和问题，本专利技术提供一种基于改进蝙蝠优化算法与lightgbm模型结合的再生粗骨料混凝土强度预测方法，在给定范围内对模型参数进行高效精确地寻找，从而寻找出模型精度最高的参数。
2、本专利技术解决其技术问题所采用的方案是：一种基于改进蝙蝠优化算法与lightgbm模型结合的再生粗骨料混凝土强度预测方法，包括以下步骤：
3、步骤一、收集再生粗骨料混凝土中各组分的配合比以及强度数据，并划分为训练集和测试集；
4、步骤二、初始化蝙蝠群和参数，并根据每个蝙蝠当前位置进行自身位置和速度的更新；
5、步骤三、计算每个蝙蝠的适应度值，即目标函数的取值，并判断每个目标代理是否超出边界；
6、步骤四、通过界限约束对超出边界蝙蝠位置进行重新界定，并重新界定上下界；
7、步骤五、更新全局最优解，记录目前找到的最优解及其适应度值；并根据当前最优解和其他蝙蝠的位置信息，调整蝙蝠的位置、速度和频率；
8、步骤六、重复上述步骤二-步骤六，直至满足终止准则，输出全局最优解及其适应度值；
9、步骤七、使用最优解作为lightgbm模型参数，并进行抗压强度预测。
10、进一步地，所述步骤一中将数据集按照8:2的比例划分为训练集和测试集，训练集用于模型训练，测试集用于评估模型的性能。
11、进一步地，所述步骤二中首先设定蝙蝠的搜索空间是d维，对每个蝙蝠的位置和速度更新，公式如下：
12、fi＝fmin+(fmax-fmin)*β
13、
14、
15、其中β∈[0，1]，是一个随机向量，x*是群体中当前局部最优解，fi是蝙蝠发出的声波频率；
16、其次对于局部搜索，一旦在当前最佳解决方案中选择一个解决方案，新的局部解使用随机游走方式生成：
17、xnew＝xold+εat
18、上式中，ε∈[-1,1]，是一个随机数，at是整个群体在同一代中的平均响度。
19、进一步地，所述步骤四引入界限约束时，需要确保解向量x的每个分量(xi)都落在预定义的下界范围内，通过以下公式实现界限约束：
20、x'＝[x1',x2',......,xn']
21、其中，xi'＝max(lb,min(ub,xi))
22、对于第i个维度上的变量值xi，通过max(lb,min(ub,xi))操作将其限制在上下界之间。
23、进一步地，所述步骤五中通过比较蝙蝠的适应度值与当前的全局最优适应度值，若蝙蝠的适应度值更优，则更新全局最优适应度值，并将该蝙蝠的位置作为新的全局最优解。
24、进一步地，所述步骤七中将上述所得最优解代入lightgbm模型，并代入所用数据，划分训练集和测试集，并对所建立模型进行迭代训练，以建立评价指标对训练后模型预测效果进行评价，并输出所得预测结果。
25、与现有技术相比，本专利技术的有益效果是：
26、本专利技术将改进蝙蝠优化算法引入到lightgbm模型的优化过程中，通过不断地搜索和交流信息来逐步优化解决方案。这样，能够有效地解决蝙蝠算法对初始解过度依赖，和参数搜索空间大、计算复杂度高等问题，从而提高模型性能和准确度，能够更准确地预测目标变量。
27、本专利技术通过引入界限约束方法，限制蝙蝠移动的范围，防止蝙蝠过早地离开有潜力的搜索区域。通过适当设置界限或边界条件，可以帮助蝙蝠算法更好地探索搜索空间，减少对初始解的依赖性。
28、采用通过界限约束方法对蝙蝠算法进行优化，从而弥补蝙蝠算法对初始解对不同初始解导致算法收敛到不同的局部最优解的问题，并通过改进后的蝙蝠算法对lightgbm模型的超参数进行优化，从而得到最优的超参数组合。
29、通过本专利技术方法，能够找到更好的超参数组合，从而提高模型的准确性和泛化能力。而且使用本专利技术改进蝙蝠算法进行优化可以显著减少lightgbm模型的训练时间；改进蝙蝠算法通过并行搜索，从而加速了参数寻优过程，这降低了训练成本，使得模型更加高效。
30、通过使用优化后的lightgbm模型进行模型训练，使用训练好的模型进行混凝土强度预测，并计算预测结果与实际值之间的误差；根据误差分析结果，对模型进行调整和优化。实现兼顾模型的准确性和泛化能力，提高了混凝土强度预测的精度和效率。此外，还可以根据误差分析结果对模型进行调整和优化，使得模型更加稳定可靠。
31、本专利技术方法使用改进蝙蝠算法进行优化还可以使lightgbm模型更加稳定。这是因为改进蝙蝠算法能够处理高维、非线性和非凸问题，并且在全局优化问题方面表现良好。这使得模型更加鲁棒，对输入数据的干扰更小，从而提高了模型的可靠性。
本文档来自技高网...【技术保护点】
1.一种基于改进蝙蝠优化算法与LightGBM模型结合的再生粗骨料混凝土强度预测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于改进蝙蝠优化算法与LightGBM模型结合的再生粗骨料混凝土强度预测方法，其特征在于：步骤一中将数据集按照8:2的比例划分为训练集和测试集，训练集用于模型训练，测试集用于评估模型的性能。
3.根据权利要求1所述的基于改进蝙蝠优化算法与LightGBM模型结合的再生粗骨料混凝土强度预测方法，其特征在于：步骤二中首先设定蝙蝠的搜索空间是D维，对每个蝙蝠的位置和速度更新，公式如下：
4.根据权利要求1所述的基于改进蝙蝠优化算法与LightGBM模型结合的再生粗骨料混凝土强度预测方法，其特征在于：步骤四引入界限约束时，需要确保解向量x的每个分量(xi)都落在预定义的下界范围内，通过以下公式实现界限约束：
5.根据权利要求1所述的基于改进蝙蝠优化算法与LightGBM模型结合的再生粗骨料混凝土强度预测方法，其特征在于：步骤五中通过比较蝙蝠的适应度值与当前的全局最优适应度值，若蝙蝠的适应度值更优，则更新全
6.根据权利要求1所述的基于改进蝙蝠优化算法与LightGBM模型结合的再生粗骨料混凝土强度预测方法，其特征在于：步骤七中将上述所得最优解代入LightGBM模型，并代入所用数据，划分训练集和测试集，并对所建立模型进行迭代训练，以建立评价指标对训练后模型预测效果进行评价，并输出所得预测结果。
...【技术特征摘要】
1.一种基于改进蝙蝠优化算法与lightgbm模型结合的再生粗骨料混凝土强度预测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于改进蝙蝠优化算法与lightgbm模型结合的再生粗骨料混凝土强度预测方法，其特征在于：步骤一中将数据集按照8:2的比例划分为训练集和测试集，训练集用于模型训练，测试集用于评估模型的性能。
3.根据权利要求1所述的基于改进蝙蝠优化算法与lightgbm模型结合的再生粗骨料混凝土强度预测方法，其特征在于：步骤二中首先设定蝙蝠的搜索空间是d维，对每个蝙蝠的位置和速度更新，公式如下：
4.根据权利要求1所述的基于改进蝙蝠优化算法与lightgbm模型结合的再生粗骨料混凝土强度预测方法，其特征在于：步骤...
【专利技术属性】
技术研发人员：田青青，郭磊，柴启辉，李泽宣，高航，
申请(专利权)人：华北水利水电大学，
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。