[发明专利]一种基于正交多种群正余弦算法来构建预测模型的方法

权利要求书

1.一种基于正交多种群正余弦算法来构建预测模型的方法，其特征在于，所述方法包括以下步骤：

步骤S1、获取样本数据并对所获取到的样本数据利用公式(1)进行归一化处理；

其中，S_i代表原始值，S_i′代表标准化后的值，S_min代表极小值，S_max代表极大值；

步骤S2、利用改进的正余弦算法来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：包括最大迭代次数T、正余弦算法种群个数n、多种群策略中分段直接校正PDS策略的维度分段个数Rn、惩罚因子C的搜索空间[C_min，C_max]和核宽γ的搜索空间[γ_min，γ_max]；

步骤S2.2、初始化n个搜索个体位置：采用公式(2)-(3)，将每一个个体的位置映射到设定的搜索范围内，得到n个个体的位置X_i＝(x_i，l，x_i，2)(i＝1...n)；

X_i，1＝(C_max-C_min)*r+C_min，(i＝1，2，...，n) (2)

X_i，2＝(γ_max-γ_min)*r+γ_min，(i＝1，2，...，n) (3)；

其中，c_i表示个体i在当前位置时的C值；γ_i表示个体i在当前位置时的γ值；r为[0，1]之间的随机小数；

步骤S2.3、计算每个个体i的适应度f_i，并将计算出的适应度f_i由大到小排序，若所有个体中最大的适应度值大于最佳个体的适应度，则将最佳个体替换成当前适应度最高的个体；其中，所计算出的适应度f_i基于个体i当前位置的C和γ值，以内部K折交叉验证策略计算支持向量机的准确度ACC来获取的；

步骤S2.4、围绕最佳个体生成整个种群：根据公式(4)生成n个个体，并计算出根据公式(4)生成的n个个体的适应度，且进一步对比出根据公式(4)生成的n个个体之中最大的适应度大于最佳个体的适应度，则用对比的n个个体之中最大的适应度的个体来替换最佳个体；

其中，x_best为种群中适应度最高的个体；rand为[0，1]之间的随机小数；

步骤S2.5、执行贪婪选择策略：根据公式(5)，针对每个维度变化后产生的更新个体，仅保留适应度比上一代个体有所提高的更新个体；

步骤S2.6、执行正交学习策略：针对种群中每个更新后的个体，对其执行正交学习策略，从而得到变异后的新个体；

步骤S2.7、判断是否达到DNS策略阈值C_gen，若已达到则执行DNS策略，重新规划种群，否则继续；

步骤S2.8、判断是否达到SRS策略阈值Stag_best，若已达到则执行SRS策略，随机重组种群，否则继续；

步骤S2.9、执行PDS策略，采用禁忌搜索的思想对最佳个体进行优化；

步骤S2.10、判断是否达到最大迭代次数T，若已达到则转到步骤S2.11，否则转到步骤S2.3；

步骤S2.11、输出最佳个体的位置，即最优的惩罚因子C和核宽γ值；

步骤S3、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下述公式(6)所示的预测模型，并基于所构建的预测模型对待分类样本进行分类和预测；

K(x_i，x_j)＝exp(-r||x_i-x_j||²) (7)

其中，x_j表示第j个归一化处理后的样本数据；x_i(i＝1...l)表示训练样本；y_i(i＝1...l)表示训练样本对应的标签，y_i＝1代表正类样本，y_i＝-1代表负类样本；b为阈值；α_i是拉格朗日系数。