[發明專利]一種基于改進灰狼優化算法的數據分類預測方法及系統

有效

• 申請號: 201711048597.7
• 申請日: 2017-10-31
• 公開（公告）號: CN107908688B
• 公開（公告）日: 2018-12-28
• 發明（設計）人: 陳慧靈;羅杰;趙學華;蔡振鬧;童長飛;黃輝;李俊
• 申請（專利權）人: 溫州大學
• 主分類號: G06F17/30
• 分類號: G06F17/30;G06N3/00;G06N3/08
• 代理公司: 溫州名創知識產權代理有限公司 33258
• 代理人: 陳加利

本發明實施例公開了一種基于改進灰狼優化算法的數據分類預測方法及系統，包括獲取歷史數據，并將獲取到的歷史數據進行歸一化處理并分類；將所述歸一化處理后的歷史數據作為支持向量機的訓練樣本，利用預設的改進灰狼優化算法來優化所述支持向量機的懲罰系數和核寬；根據所述支持向量機優化后的懲罰系數和核寬，構建預測模型；獲取待測數據，并將所述待測數據作為待測樣本導入所述預測模型中，得到所述待測數據的分類及每一分類對應的預測值。實施本發明，能解決灰狼優化算法的陷入局部最優解、收斂速度慢等問題，實現對具體領域的問題進行分類和預測，提高決策的精度。

技術領域

本發明涉及大數據技術領域，尤其涉及一種改進灰狼優化算法來優化數據分類預測的方法及系統。

背景技術

隨著技術的發展，大數據應用的領域也越來越廣，因此對大數據的分類及預測等處理提出了新的挑戰，尤其是群體智能優化算法用于大數據的分類及預測中。

總所周知，群體智能優化算法通過模擬自然界的各種生物和非生命系統的所表現出的群體智能行為，利用群體中個體之間的相互協作、交流來達到尋優的目的。這些群體智能算法較為著名有：蟻群算法，粒子群算法，人工蜂群算法，雞群算法等等。

然而，對于群體智能優化算法，Mirjalili等人在2014年還提出了灰狼優化算法(Grey Wolf Optimizer)，這是一種新型的群體智能算法，該算法模擬灰狼的捕食行為來搜索最優解，該算法引入灰狼的等級機制，將適應度最高三個的灰狼依次定義為Alpha,Beta,Delta,其余的定義為Omega灰狼，Omega灰狼的運動方向由Alpha,Beta,Delta這三只灰狼來確定，實驗結果證明該算法具有較強的搜索能力。但是，該算法在處理存在大量局部最優的問題時，容易陷入局部最優，很難找到全局最優解，使得數據分類及預測出現偏差。因此，針對上述問題，需從改進灰狼的等級結構的角度來改進該算法，從而提高數據分類及預測的準確性。

發明內容

本發明實施例的目的在于提供一種基于改進灰狼優化算法的數據分類預測方法及系統，能解決灰狼優化算法的陷入局部最優解、收斂速度慢等問題，實現對具體領域的問題進行分類和預測，提高決策的精度。

為了解決上述技術問題，本發明實施例提供了一種基于改進灰狼優化算法的數據分類預測方法，包括步驟：

步驟S1、獲取歷史數據，并將所述獲取到的歷史數據進行歸一化處理并分類；

步驟S2、將所述歸一化處理后的歷史數據作為支持向量機的訓練樣本，利用預設的改進灰狼優化算法來優化所述支持向量機的懲罰系數和核寬；

步驟S3、根據所述支持向量機優化后的懲罰系數和核寬，構建預測模型；

步驟S4、獲取待測數據，并將所述待測數據作為待測樣本導入所述預測模型中，得到所述待測數據的分類及每一分類對應的預測值。

其中，所述步驟S2具體包括：

步驟2.1：參數初始化，具體包括：最大迭代次數T、灰狼種群個數n、Beta灰狼的個數β、Omega灰狼的個數ω、懲罰系數C的搜索空間[C_min，C_max]和核寬γ的搜索空間[γ_min，γ_max]；

步驟2.2：初始化n只灰狼位置，具體為，采用如下公式(2)和(3)將每一只灰狼的位置映射到設定的搜索范圍內，得到n只灰狼的位置X_i＝(x_i，1，x_i，2)；

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