CN106504030A - 基于混沌正弦映射的花朵授粉优化算法的支持向量机药品预测方法 - Google Patents

Abstract

本发明提出了一种基于混沌正弦映射的花朵授粉优化算法的支持向量机药品预测方法，该方法包括：A、收集某类药品2012至2016年的销售量，生成学习样本；B、确定SVM的常数c和核函数σ的取值范围，以及迭代结束条件；C、根据混沌正弦映射方程计算P，初始n朵花种群的位置，确定初始的最优解位置g_*；D、判断进行全局授粉或局部授粉，并且是否更新g_*，E、若g_*连续迭代m(m∈t)次以后没有更新，将进行k次迭代，最后将此混沌序列反归一化生成经过混沌正弦映射的最优值序列；F、综合结果，将最终g_*＝(c,g)带入SVM向量机，进行模型训练和验证，根据预测结果，对学习样本进行调整，最终最优预测发明方法。

Description

基于混沌正弦映射的花朵授粉优化算法的支持向量机药品预 测方法

技术领域

本发明涉及计算智能预测领域，尤其涉及一种基于混沌正弦映射的花朵授粉优化算法的支持向量机药品预测方法。

背景技术

基于计算智能通过对人工神经网络、模糊系统、演化计算这3个主要分支的相互有机融合而形成新的科学方法的特点，决定了其在大数据分析中的巨大的应用潜力。混杂多样、多变的大数据，决定了模型驱动的方法存在本质上的局限性，往往难以根据先验知识建立精确的模型。其次，精度是大数据的一个重要维度，对不确定性的处理和管理的需求源于数据采集的手段、系统状态变化和自然环境等随机因素的干扰，同时也源于大数据固有的不确定性。最后，大数据的规模和复杂性意味着大数据分析需要巨大的计算时空开销，因此计算智能方法具有启发式特征，通过模拟人类和其他生物体的智慧求解问题，具有高度的自组织、自适应性、泛化和抽象的能力，为大规模复杂问题的求解提供了有效的手段。

集成学习，将多个不同的基模型之间的差异提高模型的泛化性能。选择性集成学习方法是通过剔除分类性能不好的基分类器，选择部分精度较高、差异度较大的基分类器进行集成，具有更好的泛化性能。目前常用的选择性集成方法主要有基于遗传算法、聚类算法的集成学习，上述算法虽然取得较好效果，但依然存在计算复杂度高、参数敏感等缺点。花朵授粉方法是通过模仿自然界生物的习性而提出的一种新型元启发式算法。在自然界中，花授粉有两种主要的形式：生物授粉和非生物授粉。生物授粉(异花授粉)需要传粉者，如密封、鸟类等能飞行很长距离，能够被看作是全局授粉，且被看作是莱维飞行服从莱维分布。非生物授粉(自花授粉)是植物成熟的花粉通过风等其他因素传播到自身花朵上，能够被看作是局部授粉。

但是在药品销售预测过程中，现有技术并不能够准确的获取预测信息，对于后续对于药品的备货或者生产造成很大困惑，不能有效的统筹管理药品销售情况，这就亟需本领域技术人员解决相应的技术问题。

发明内容

本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种基于混沌正弦映射的花朵授粉优化算法的支持向量机药品预测方法。(CSMF-SVM，Chaotic SineMap Function Algorithm-Support Vector Machine)

为了实现本发明的上述目的，本发明提供了一种基于混沌正弦映射的花朵授粉优化算法的支持向量机药品预测方法，包括如下步骤：

S1，获取药品销售数量数据生成学习样本；

S2，确定SVM的常数c和核函数σ的取值范围，以及迭代结束条件即最大迭代次数t；

S3，根据混沌正弦映射计算花朵授粉转移概率P，初始n朵花种群的位置，确定初始的最优解位置g_*；

S4，判断进行全局授粉或局部授粉，并且是否更新g_*；

S5，当满足迭代结束条件t时，迭代结束；对比中的最优向量值，选出全局最优位置g_*；

S6，判断g_*是否满足S2中确定的取值范围，输入SVM的数据进行归一化处理，将最优位置g_*代入SVM向量机预测，对学习样本进行调整，最终获得最优药品销量预测数据。

上述技术方案的有益效果为：通过上述方法能够有效预测药品销售情况，对于获取数据人员来说能够更加准确的判断药品销售状况。

所述的基于混沌正弦映射的花朵授粉优化算法的支持向量机药品预测方法，优选的，所述S3包括：

S3-1、根据混沌正弦公式算法，计算授粉转移概率P

其中n＝1，2，…n，Y_n为混沌变量；

S3-2、初始n朵花种群的位置x＝(x₁,x₂,......x_n)；

S3-3、确定初始的最优解位置g_*，且每一个最优解位置g_*对应一个二维向量(c,g)，其中

σ为核函数分布宽度。

所述的基于混沌正弦映射的花朵授粉优化算法的支持向量机药品预测方法，优选的，所述S4判断进行全局授粉或局部授粉过程包括：

S4-1，每一次迭代生成随机数rand∈(0.1)，

若rand＜p，则进行全局授粉，

其中L为花的常性或者是步长，根据如下计算公式得出

其中Γ(λ)是标准的伽马函数，其分布对较大的步长s＞0有效，λ为标准莱维飞行参数；

S4-2，若rand≥p，则进行局部授粉

其中ε是局部随机行走参数且在[0.1]上的均匀分布。

所述的基于混沌正弦映射的花朵授粉优化算法的支持向量机药品预测方法，优选的，所述是否更新g_*的步骤包括：

S4-3，获取新位置若优于当期最优解g_*＝(c,g)，则更新g_*；

S4-4，若g_*连续迭代m次以后没有更新，其中m∈t则利用如下公式

与

将进行k次迭代，能够得到混沌序列最后将此混沌序列反归一化生成经过混沌正弦映射的最优值序列

所述的基于混沌正弦映射的花朵授粉优化算法的支持向量机药品预测方法，优选的，所述S6将最优位置g_*代入SVM向量机预测步骤包括：

S6-1，对即将输入SVM的数据进行[0，1]归一化处理

S6-2，将最终g_*＝(c,g)带入SVM向量机，进行模型训练和验证。

所述的基于混沌正弦映射的花朵授粉优化算法的支持向量机药品预测方法，优选的，所述S6还包括：

利用混沌正弦映射方程对经典花朵授粉算法中当前最优值g_*进行[0，1]规约，将进行k次迭代得到混沌序列，最后将此混沌序列反归一化生成经过混沌正弦映射的最优值序列，对比最优向量值以实现得到最优位置g_*best。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

本发明将花朵授粉算法和混沌正弦映射相结合，构造基于混沌正弦映射的花朵授粉优化算法，且做出以下改变：假设经典花朵授粉算法连续m次连续迭代后陷入局部极值，运用混沌正弦方程对当前最优解g_*进行优化。利用以上改变，将最优解g_*＝(c,g)带入SVM向量机进行训练和验证，通过对比SVM、BP和多项式回归药品预测方法，能够验证本发明在药品销量的预测精准度。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是本发明流程图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，能够是机械连接或电连接，也能够是两个元件内部的连通，能够是直接相连，也能够通过中间媒介间接相连，对于本领域的普通技术人员而言，能够根据具体情况理解上述术语的具体含义。

如图1所示，本发明的基于混沌正弦映射的花朵授粉优化算法的支持向量机药品预测方法(CSMF-SVM)，包括以下步骤：

A、收集某类药品2012至2016年的销售量，生成学习样本

B、确定SVM的常数c和核函数σ的取值范围，以及迭代结束条件即最大迭代次数t；

C、根据混沌正弦映射计算P，初始n朵花种群的位置，确定初始的最优解位置g_*；

C1、根据混沌正弦公式算法，计算授粉转移概率P

其中n＝1，2，…n，Y_n为混沌变量；

C2、初始n朵花种群的位置x＝(x1_,x₂,......x_n)；

C3、确定初始的最优解位置g_*，且每一个最优解位置g_*对应一个二维向量(c,g)，其中

σ为核函数分布宽度；

D、判断进行全局授粉或局部授粉，并且是否更新g*，每一次迭代生成随机数rand∈(0.1)

D1.(1)若rand＜p，则进行全局授粉

其中L为花的常性或者是步长，根据公式(3)得出

其中Γ(λ)是标准的伽马函数，其分布对较大的步长s＞0有效，标准莱维飞行参数λ通常取值1.5；

D1.(2)若rand≥p，则进行局部授粉

其中ε是局部随机行走参数且在[0.1]上的均匀分布；

D2、获取新位置若优于当期最优解g_*＝(c,g)，则更新g_*；

E、若g_*连续迭代m(m∈t)次以后没有更新，则利用公式

与

将进行k次迭代，能够得到混沌序列最后将此混沌序列反归一化生成经过混沌正弦映射的最优值序列

F、当满足迭代结束条件t时，迭代结束；对比中的最优向量值，选出全局最优位置g_*；

G、判断g_*是否满足步骤B中确定的取值范围，若满足取值范围进行下一步操作，如果不满足取值范围返回步骤B；

H、对即将输入SVM的数据进行[0，1]归一化处理

I、综合结果，将最终g_*＝(c,g)带入SVM向量机，进行模型训练和验证，根据预测结果，对学习样本进行调整，最终获得最优药品销量预测数据方法。

通过与SVM、BP和多项式回归药品预测方法进行比较，CSMF-SVM实际值的周围没有剧烈的波动且误差率几近最小，在药品销量预测方面具有更好的稳定性和可靠性。现有经典花朵授粉算法是通过假定每颗显花植物只开一朵花，且每一朵花只产生一个花分配子，因此一朵花与一个配子就对应问题的一个最优解；植物的异花授粉是传播者(昆虫，鸟类等)通过莱维飞行进行全局授粉；植物的自花授粉是植物花朵自身局部授粉的过程；花的常性能够看作花的繁殖概率正比与两朵花的相似性；局部授粉和全局授粉由转移概率P∈[0.1]控制，由于自然界的因素，局部授粉在整个授粉过程中占明显的作用；针对以上情况，此算法会产生寻优精度低、收敛速度慢、易陷入局部极小的特点。混沌运动具有随机性、遍历性和规律性寻找最优的特点，且将混沌与花朵授粉算法相融合，利用中间过程混沌状态的动力学特性使经典花朵授粉算法逃离局部极小点，从而保证全局最优的。基于此，则(本发明)将花朵授粉算法和混沌正弦映射相结合，构造基于混沌正弦映射的花朵授粉优化算法，且做出以下改变：假设经典花朵授粉算法连续m次连续迭代后陷入局部极值，运用混沌正弦方程对当前最优解g_*进行优化。利用以上改变，将最优解g_*＝(c,g)带入SVM向量机进行训练和验证，通过对比SVM、BP和多项式回归药品预测方法，能够验证本发明在药品销量的预测精准度。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点能够在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员能够理解：在不脱离本发明的原理和宗旨的情况下能够对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (6)

1.一种基于混沌正弦映射的花朵授粉优化算法的支持向量机药品预测方法，其特征在于：包括如下步骤：

S1，获取药品销售数量数据生成学习样本；

S2，确定SVM的常数c和核函数σ的取值范围，以及迭代结束条件即最大迭代次数t；

S3，根据混沌正弦映射计算花朵授粉转移概率P，初始n朵花种群的位置，确定初始的最优解位置g_*；

S4，判断进行全局授粉或局部授粉，并且是否更新g_*；

S5，当满足迭代结束条件t时，迭代结束；对比中的最优向量值，选出全局最优位置g_*；

S6，判断g_*是否满足S2中确定的取值范围，输入SVM的数据进行归一化处理，将最优位置g_*代入SVM向量机预测，对学习样本进行调整，最终获得最优药品销量预测数据。

2.根据权利要求1所述的基于混沌正弦映射的花朵授粉优化算法的支持向量机药品预测方法，其特征在于，所述S3包括：

S3-1、根据混沌正弦公式算法，计算授粉转移概率P

$Y_{n+1}=\frac{\mathrm{\&mu;}}{4}sin\left({\mathrm{\&pi;Y}}_n\right)Y\&Element;(0,1),0<\mathrm{\&mu;}\&le;4,$

其中n＝1，2，…n，Y_n为混沌变量；

S3-2、初始n朵花种群的位置x＝(x₁,x₂,......x_n)；

S3-3、确定初始的最优解位置g_*，且每一个最优解位置g_*对应一个二维向量(c,g)，其中

σ为核函数分布宽度。

3.根据权利要求1所述的基于混沌正弦映射的花朵授粉优化算法的支持向量机药品预测方法，其特征在于，所述S4判断进行全局授粉或局部授粉过程包括：

S4-1，每一次迭代生成随机数rand∈(0.1)，

若rand＜p，则进行全局授粉，

$x_i^{t+1}=x_i^t+L(x_i^t-g_{*});$

其中L为花的常性或者是步长，根据如下计算公式得出

$L\&ap;\frac{\mathrm{\&lambda;}\mathrm{\&Gamma;}\left(\mathrm{\&lambda;}\right)sin(\mathrm{\&pi;}\mathrm{\&lambda;}/2)}{\mathrm{\&pi;}}\frac{1}{s^{1+\mathrm{\&lambda;}}}(s\&GreaterEqual;s_0>0),$

其中Γ(λ)是标准的伽马函数，其分布对较大的步长s＞0有效，λ为标准莱维飞行参数；

S4-2，若rand≥p，则进行局部授粉

$x_i^{t+1}=x_i^t+\mathrm{\&epsiv;}(x_j^t-x_k^t)$

其中ε是局部随机行走参数且在[0.1]上的均匀分布。

4.根据权利要求3所述的基于混沌正弦映射的花朵授粉优化算法的支持向量机药品预测方法，其特征在于，所述是否更新g_*的步骤包括：

S4-3，获取新位置若优于当期最优解g_*＝(c,g)，则更新g_*；

S4-4，若g_*连续迭代m次以后没有更新，其中m∈t则利用如下公式

与

将进行k次迭代，能够得到混沌序列最后将此混沌序列反归一化生成经过混沌正弦映射的最优值序列

$g_{*}^c=g_{\min }^m+(g_{\max }^m-g_{\min }^m)g_c^m.$

5.根据权利要求1所述的基于混沌正弦映射的花朵授粉优化算法的支持向量机药品预测方法，其特征在于，所述S6将最优位置g_*代入SVM向量机预测步骤包括：

S6-1，对即将输入SVM的数据进行[0，1]归一化处理

$x_i^{,}=\frac{x_i-x_{min}}{x_{\max }-x_{min}};$

S6-2，将最终g_*＝(c,g)带入SVM向量机，进行模型训练和验证。

6.根据权利要求1所述的基于混沌正弦映射的花朵授粉优化算法的支持向量机药品预测方法，其特征在于，所述S6还包括：

利用混沌正弦映射方程对经典花朵授粉算法中当前最优值g_*进行[0，1]规约，将进行k次迭代得到混沌序列，最后将此混沌序列反归一化生成经过混沌正弦映射的最优值序列，对比最优向量值以实现得到最优位置g_*best。