[发明专利]一种基于改进灰狼优化算法的数据分类预测方法及系统

摘要

本发明实施例公开了一种基于改进灰狼优化算法的数据分类预测方法及系统，包括获取历史数据，并将获取到的历史数据进行归一化处理并分类；将所述归一化处理后的历史数据作为支持向量机的训练样本，利用预设的改进灰狼优化算法来优化所述支持向量机的惩罚系数和核宽；根据所述支持向量机优化后的惩罚系数和核宽，构建预测模型；获取待测数据，并将所述待测数据作为待测样本导入所述预测模型中，得到所述待测数据的分类及每一分类对应的预测值。实施本发明，能解决灰狼优化算法的陷入局部最优解、收敛速度慢等问题，实现对具体领域的问题进行分类和预测，提高决策的精度。

主权项

1.一种基于改进灰狼优化算法的数据分类预测方法，其特征在于，包括以下步骤：步骤S1、获取历史数据，并将所述获取到的历史数据进行归一化处理并分类；步骤S2、将所述归一化处理后的历史数据作为支持向量机的训练样本，利用预设的改进灰狼优化算法来优化所述支持向量机的惩罚系数和核宽；步骤S3、根据所述支持向量机优化后的惩罚系数和核宽，构建预测模型；步骤S4、获取待测数据，并将所述待测数据作为待测样本导入所述预测模型中，得到所述待测数据的分类及每一分类对应的预测值；其中，所述步骤S2具体包括：步骤2.1：参数初始化，具体包括：最大迭代次数T、灰狼种群个数n、Beta灰狼的个数β、Omega灰狼的个数ω、惩罚系数C的搜索空间[Cmin，Cmax]和核宽γ的搜索空间[γmin，γmax]；步骤2.2：初始化n只灰狼位置，具体为，采用如下公式(2)和(3)将每一只灰狼的位置映射到设定的搜索范围内，得到n只灰狼的位置Xi＝(Xi,1,Xi,2)；Xi，1＝(Cmax‑Cmin)*r+Cmin，i＝1，2，...，n   (2)；Xi，2＝(γmax‑γmin)*r+γmin，i＝1，2，...，n    (3)；其中，r为[0,1]之间的随机小数；Ci表示灰狼i在当前位置时的C值，γi表示灰狼i在当前位置时的γ值；步骤2.3：计算每只灰狼i的适应度fi，并将每只灰狼i的适应度fi由大到小排序后，筛选出n只灰狼中适应度大于Alpha灰狼适应度且为最大的灰狼，则将Alpha灰狼替换成当前所筛选出适应度最大的灰狼，进一步根据n只灰狼的适应度，将适应度最小的ω只灰狼标记为Omega灰狼，以及余留的(n‑ω)只灰狼标记为Delta灰狼；其中，所述灰狼i的适应度fi为基于灰狼i当前位置的C和γ值，以内部K折交叉验证策略所计算出支持向量机的准确度ACC；步骤2.4：基于步骤2.3从Alpha灰狼中生成Beta灰狼，具体为，根据如下公式(4)生成β只Beta灰狼，并计算β只Beta灰狼的适应度，且进一步筛选出β只Beta灰狼中适应度大于Alpha灰狼适应度的灰狼，则用所筛选出的灰狼替换Alpha灰狼；Betai，j＝Alphaj+2*D*r‑D，i＝1，2，...，β；j＝1，2    (4)；其中，Deltabest为Delta灰狼中适应度最高的灰狼；步骤2.5：更新Delta灰狼的位置，具体为，根据公式(6)‑(9)计算出每只Delta灰狼的新位置；A＝2τr1‑τ        (6)；C＝2r2        (7)；L＝|C*Alphaj‑Deltai，j|           (8)；其中，τ随迭代次数由2到0之间线性递减；r1和r2均为[0,1]之间的随机数；步骤2.6：更新Omega灰狼的位置，具体为，Omega灰狼不受Alpha灰狼的影响，其在搜索空间随机运动，根据公式(2)和(3)计算每个Omega灰狼的随机位置；步骤2.6：判断是否达到最大迭代次数T，若已达到则转到步骤2.7，否则转到步骤2.3；步骤2.7：输出Alpha狼的位置，即得到最优的惩罚系数C和核宽γ。