CN107909141A - 一种基于灰狼优化算法的数据分析方法及装置 - Google Patents

一种基于灰狼优化算法的数据分析方法及装置 Download PDF

Info

Publication number
CN107909141A
CN107909141A CN201711203871.3A CN201711203871A CN107909141A CN 107909141 A CN107909141 A CN 107909141A CN 201711203871 A CN201711203871 A CN 201711203871A CN 107909141 A CN107909141 A CN 107909141A
Authority
CN
China
Prior art keywords
wolf
fitness
wide
core
penalty coefficient
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201711203871.3A
Other languages
English (en)
Inventor
陈慧灵
罗杰
赵学华
蔡振闹
童长飞
黄辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wenzhou University
Original Assignee
Wenzhou University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wenzhou University filed Critical Wenzhou University
Priority to CN201711203871.3A priority Critical patent/CN107909141A/zh
Publication of CN107909141A publication Critical patent/CN107909141A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明适用于计算机技术领域，提供了一种基于灰狼优化算法的数据分析方法及装置，包括：获取待分析数据；根据预设的搜索空间，通过灰狼优化算法计算狼群的惩罚系数和核宽；根据所述惩罚系数、核宽以及预设的分析模型，对所述待分析数据进行分析，得到分析结果。通过引入反向学习机制，计算灰狼优化算法中狼群的惩罚系数和核宽，得到预设的分析模型的参数最优解。扩大了狼群中灰狼的种类，提升了算法的全局探测能力。进而通过该分析模型对待分析数据进行分析，快速得到精确的分析结果。

Description

一种基于灰狼优化算法的数据分析方法及装置
技术领域
本发明属于计算机技术领域，尤其涉及一种基于灰狼优化算法的数据分析方法及装置。
背景技术
目前，大数据技术主要是从巨大的数据中获取有用的数据，进而进行数据的分析和处理。尤其是在信息化爆炸的时代，人们被无数的信息覆盖，实现对大数据的智能处理，提高数据处理水平，需要不断引进人工智能技术，大数据的管理、分析、可视化等等都是与人密切相关的。现如今，机器学习、数据挖掘、自然语言理解、模式识别等人工智能技术，已经完全渗透到了大数据的各个程序中，成为了其中的重要组成部分。
现有技术中提供了一些机器学习方法，通过对获取到的数据进行分析和预测得到一定的结论和信息。然而，现有技术中的方法不能精确、快速地对数据进行分析，以得到的精确的分析结果。
发明内容
有鉴于此，本发明实施例提供了一种基于灰狼优化算法的数据分析方法及装置，以解决现有技术中不能精确、快速地对数据进行分析，以得到的精确的分析结果的问题。
本发明实施例的第一方面提供了一种灰狼优化算法的数据分析方法，包括：
获取待分析数据；
根据预设的搜索空间，通过灰狼优化算法计算狼群的惩罚系数和核宽；
根据所述惩罚系数、核宽以及预设的分析模型，对所述待分析数据进行分析，得到分析结果。
本发明实施例的第二方面提供了一种灰狼优化算法的数据分析装置，包括：
数据获取单元，用于获取待分析数据；
参数计算单元，用于根据预设的搜索空间，通过灰狼优化算法计算狼群的惩罚系数和核宽；
数据分析单元，用于根据所述惩罚系数、核宽以及预设的分析模型，对所述待分析数据进行分析，得到分析结果。
本发明实施例的第三方面提供了一种灰狼优化算法的数据分析装置，包括：处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储支持装置执行上述方法的计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行上述第一方面的方法。
本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行上述第一方面的方法。
本发明实施例与现有技术相比存在的有益效果是：通过反向学习机制选择适应度高的灰狼作为Alpha狼和Beta狼，增强了灰狼种群多样性，其次通过莱维飞行机制，通过时长时短、方向随机的移动方式增强灰狼跳出局部最优的能力；最后引入螺旋运动机制，使Omega狼通过螺旋运动到靠近Alpha狼和Beta狼，增强灰狼的局部搜索能力。有效的避免整个种群陷入局部最优，从而增强算法的全局探测能力。
将提出的灰狼优化算法应用于机器学习模型的参数学习，进而对具体领域的问题进行分类、预测，提高预测结果的精度；
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于灰狼优化算法的数据分析方法的流程图；
图2是本发明另一实施例提供的基于灰狼优化算法的数据分析方法的流程图；
图3是本发明另一实施例提供的灰狼优化算法的仿真结果对比图；
图4是本发明实施例提供的基于灰狼优化算法的数据分析装置的示意图；
图5是本发明另一实施例提供的基于灰狼优化算法的数据分析装置的示意图；
图6是本发明实施例提供的基于灰狼优化算法的数据分析装置的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
如图1所示，图1为本发明实施例提供的一种基于灰狼优化算法的数据分析方法的流程图。本实施中基于灰狼优化算法的数据分析方法的执行主体为具有数据分析功能的装置，该装置可以为计算机、服务器、平板电脑等装置，此处不做限制。如图1所示的基于灰狼优化算法的数据分析方法可以包括以下步骤：
S101：获取待分析数据。
在对数据进行分析之前，先获取待分析的数据。待分析数据可以通过数据采集装置将数据采集起来，通过存储装置将采集到的数据存储。在数据存储到一定数据量、一定时间或者需要对数据进行分析时，可以将存储在存储装置中的数据提取出来，也可以通过采集装置实时获取待分析数据。
示例性的，待分析数据可以是金融领域的数据。比如针对企业破产风险预测数据单个样本属性分布数据：有X1～Xn个这样的相关金融指标如负债率、资产总额等属性指标；Xn+1是类别标签：即该企业在两年内是否有破产风险的存在，若有破产风险标签为1，没有破产风险标签为-1。
示例性的，待分析可以是医疗领域类的数据。比如针对基于超声特征的甲状腺良恶性结节区分的数据单个样本属性分布，该数据属性值分为两大类，即数据属性X1～X8表示了针对甲状腺良恶性结节疾病的超声属性；X9表示了该数据样本的类别，即区分良性结节和恶性结节，若样本为恶性结节：值为1，若样本为良性结节：值为-1。通过该领域内的属性指标和类别标签组成样本数据格式，基于该数据格式获取待分析数据。
S102：根据预设的搜索空间，通过灰狼优化算法计算狼群的惩罚系数和核宽。
灰狼算法通过模拟灰狼的捕食行为来搜索最优解，该算法引入灰狼的等级机制，将适应度最高的灰狼依次定义为阿尔法Alpha狼、贝塔Beta狼，其余的定义为欧米茄Omega狼，Omega狼的运动方向由Alpha狼和Beta狼来确定，实验结果证明该算法具有较强的搜索能力。
通过参数初始化，确定最大迭代次数、狼群中各个灰狼类型的个数以及最优解的搜索空间，其中最优解为狼群的惩罚系数和核宽。
灰狼优化算法通过预设的搜索空间计算出狼群中每只灰狼的当前位置，每只灰狼的当前位置包括惩罚系数和核宽。再通过反向学习机制计算出当前位置所对应的反向解，得到反向位置，并对原解和反向解进行评估，从中选出较优的解作为下一代个体，这个下一代个体即为最优解对应的灰狼，该灰狼当前位置所对应的惩罚系数和核宽即为狼群的惩罚系数和核宽。通过反向学习过程可改善灰狼粒子种群的多样性，增大狼群中的不同种类狼群的个数，将两者对比进而获取更好的解，保证了算法的全局探测以找到最优解的能力。
S103：根据所述惩罚系数、核宽以及预设的分析模型，对所述待分析数据进行分析，得到分析结果。
通过预先建立的分析模型对待分析数据进行处理。该分析模型在进行数据分析之前建立好，并存储进相应的存储装置或者服务器中，以便随时对数据进行处理。将灰狼优化算法用于数据分析模型的参数优化中，通过确定出最优惩罚系数和核宽，构建最优的机器学习模型来分析数据，得到精确的数据分析结果。
可选的，该数据分析模型可以用来对待分析数据进行分类。示例性的，待分析数据可以是金融领域的数据。通过获取针对企业的相关金融指标，如负债率、资产总额等属性指标；以及待分析数据的类别标签，即该企业在两年内是否有破产风险的存在，若有破产风险标签为1，没有破产风险标签为-1，对企业的待分析数据进行相应的分类，进一步的，通过分类得到的数据对企业的破产风险进行预测。
上述方案，通过引入反向学习机制，计算灰狼优化算法中狼群的惩罚系数和核宽，得到预设的分析模型的参数最优解。扩大了狼群中灰狼的种类，提升了算法的全局探测能力，有助于提高优化过程的收敛速度。进而通过该分析模型对待分析数据进行分析，快速得到精确的分析结果。
如图2所示，图2为本发明实施例提供的一种基于灰狼优化算法的数据分析方法的流程图。图2与图1的区别之处在于图2中的步骤S202还包括步骤S2021～S2023，步骤S202是对图1中的步骤S102的细化。本实施中基于灰狼优化算法的数据分析方法的执行主体为具有数据分析功能的装置，该装置可以为计算机、服务器、平板电脑等装置，此处不做限制。如图2所示的基于灰狼优化算法的数据分析方法可以包括以下步骤：
S201：获取待分析数据。
需要说明的是，本实施例中的S201与第一实施例中的S101相同，具体请参阅第一实施例中S101的具体描述，此处不再赘述。
S202：根据预设的搜索空间，通过灰狼优化算法计算狼群的惩罚系数和核宽。
通过获取预设的灰狼算法的搜索空间、等参数，确定搜索空间中狼群惩罚系数和核宽的最优解。具体包括步骤S2021～S2023：
S2021：根据所述搜索空间，确定所述狼群中每只灰狼的当前位置的第一特征值及反向位置的第二特征值。
获取灰狼优化算法的参数，包括：惩罚系数C的搜索空间[Cmin,Cmax]以及核宽γ的搜索空间[γmin,γmax]。
灰狼优化算法的参数还可以包括最大迭代次数T、灰狼种群个数n，其中r为[0,1]之间的随机小数。
计算狼群中每只灰狼的惩罚系数：
Xi,1＝(Cmax-Cmin)*r+Cmin；(i＝1,2,…,n)；
计算狼群中每只灰狼的核宽：
Xi,2＝(γmax-γmin)*r+γmin；(i＝1,2,…,n)。
狼群中每只灰狼的当前位置的惩罚系数和核宽为每只灰狼的当前位置的第一特征值，将每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,2,Xi,2)；(i＝1,2,…,n)，其中，Xi,1表示灰狼i在当前位置时的C值，Xi,2表示灰狼i在当前位置时的γ值。Xi,1为灰狼位置向量Xi的第一个分量，代表C值的一个候选解，Xi,2为灰狼位置向量Xi的第二个分量，代表γ值的一个候选解。
根据公式：X'i,1＝(Cmax+Cmin)-Alpha1+r*(Alpha1-Xi,1)；(i＝1,2,…,n)计算狼群中每只灰狼的当前位置对应的反向惩罚系数；
根据公式：X'i,2＝(Cmax+Cmin)-Alpha2+r*(Alpha2-Xi,2)；(i＝1,2,…,n)计算狼群中每只灰狼的当前位置对应的反向核宽。
每只灰狼i的反向位置X'i的第二特征值为反向惩罚系数和反向核宽。通过反向学习机制基于该狼群的正向解求得反向解，解决灰狼优化算法陷入局部最优解问题。得到n只灰狼X和n只反向灰狼，扩大了狼群中灰狼的种类，提升了算法的全局探测能力，有助于提高优化过程的收敛速度。
S2022：根据所述第一特征值确定所述每只灰狼的第一适应度，并根据所述第一特征值以及所述第二特征值确定所述每只灰狼的第二适应度。
狼群中每只灰狼的当前位置的惩罚系数和核宽为每只灰狼的当前位置的第一特征值，将灰狼Xi当前位置的C和γ值作为支持向量机分类器的参数来调节支持向量机，并将支持向量机分类器的准确度ACC作为灰狼Xi的第一适应度fi。
进一步的，通过第一适应度确定第一狼群的组成。如果fi大于当前Alpha狼的适应度，则将Alpha灰狼替换成灰狼Xi。否则，如果fi大于当前Beta狼的适应度，则将Beta灰狼替换成灰狼Xi。
根据第一特征值以及第二特征值确定每只灰狼的第二适应度，第二适应度基于灰狼X'i当前位置的C和γ值，计算支持向量机的准确度ACC，并将该值作为灰狼X'i的适应度f'i的值。
进一步的，通过第二适应度确定第二狼群的组成。如果f'i大于当前Alpha狼的适应度，则将Alpha灰狼替换成灰狼X'i。否则，如果f'i大于当前Beta狼的适应度，则将Beta灰狼替换成灰狼X'i。
S2023：根据所述第一适应度和所述第二适应度，选择适应度最高的所述灰狼为所述狼群中的Alpha狼，将所述Alpha狼的当前位置对应的第一特征值包含的惩罚系数和核宽识别为所述狼群的惩罚系数和核宽。
根据计算得到的第一适应度和第二适应度，将n只灰狼Xi和n只反向灰狼X'i混合后根据适应度排序，选择排名靠前的n只灰狼组成新的灰狼种群Xi，为第三狼群。选择适应度最高的灰狼为Alpha狼，确定Alpha狼的当前位置对应的第一特征值包含的惩罚系数和核宽识别为狼群的惩罚系数和核宽。
进一步的，狼群中还包括贝塔Beta狼和欧米茄Omega狼。通过计算第三狼群中每只狼的移动系数，控制第三狼群中的每只Omega狼向Alpha狼和Beta狼方向移动，更新狼群中每只灰狼的当前位置。
首先，计算以下参数用以作为计算Xi的新位置的参量：
a＝2-(2*t)/T；A＝2*a*r-a；A1＝2*a*rand(2)-a；A2＝2*a*rand(2)-a；
Da＝|r*Alpha-Xi|；Db＝|r*Beta-Xi|。
其中，a为移动参量，t为当前迭代次数，T为最大迭代次数，r为[0,1]之间的随机小数，A为移动系数，rand(2)为2维随机向量生成函数，A1为移动系数通过rand(2)生成2维随机向量的移动系数一分量，A2为移动系数通过rand(2)生成2维随机向量的移动系数二分量，Alpha表示Alpha狼的参数分量，Beta表示Beta狼的参数分量。
产生随机数，并计算移动系数；随机数和移动系数用于确定第三狼群中每只灰狼的移动方式；若随机数大于第一阈值，且移动系数大于预设的第二阈值，则控制Omega狼向Alpha狼和Beta狼移动并进行莱维飞行。
示例性的，随机生成一个随机数p，如果随机数p大于0.5，且A的绝对值大于1，则控制Omega狼向Alpha狼和Beta狼移动并进行莱维飞行。根据公式：
计算Xi的新位置其中Levy(2)为莱维飞行函数。如果的适应度大于Xi的适应度，则用更新Xi。
若随机数大于第一阈值，且移动系数小于或等于第二阈值，则控制Omega狼向Alpha狼和Beta狼移动。
示例性的，如果随机数p大于0.5，而且A的绝对值小于或等于1，则控制Omega狼向Alpha狼和Beta狼移动。根据公式：
计算Xi的新位置如果的适应度大于Xi的适应度，则用更新Xi。
若随机数小于或等于预设的第一阈值，则控制Omega狼向Alpha狼和Beta狼以螺旋运动和莱维飞行的方式移动。
示例性的，如果随机数p小于等于0.5，则控制Omega狼向Alpha狼和Beta狼以螺旋运动和莱维飞行的方式移动。根据公式：
计算Xi的新位置并用更新Xi，其中Levy(d)为d维莱维飞行函数。
需要说明的是，本实施例中所有数据量的取值仅为本申请技术方案中的一种情况，此处不做限定。
螺旋运动机制的特点是粒子在向局部最优解靠近的过程中不是线性运动的，而是螺旋运动到局部最优解。在这个过程中，扩大了局部搜索的空间，从而增强了算法的局部搜索能力，使得狼群在移动过程中能在自身的移动区域中找到精确的最优解。
莱维飞行的特点是步长时长时短，方向也是随机的。这种特点可以有效的避免狼群陷入局部最优，增强灰狼跳出局部最优的能力，从而增强算法的全局探测能力。
进一步的，判断是否达到最大迭代次数T，若已达到则输出Alpha狼的位置，即最优的惩罚系数C和核宽γ值；若未达到最大迭代次数，则根据移动之后的每只灰狼的位置重新计算适应度。
S203：根据所述惩罚系数、核宽以及预设的分析模型，对所述待分析数据进行分析，得到分析结果。
灰狼优化算法、萤火虫算法和粒子群算法都是群智能算法的一种，群智能算法求解问题的方式是通过种群(多个可行解)进行一定次数的迭代，不断提高种群适应度，迭代结束后将种群中适应度最高的个体作为最优解。为了验证提出的灰狼优化改进算法的有效性，在仿真实验中，使用灰狼优化改进算法，灰狼优化算法、萤火虫算法和粒子群算法同时求解函数f1最小值。其中，函数维度n＝10，x的接的范围为[-100,100]，解的最小值为0。
灰狼优化算法的仿真对比结果如图3所示，经过50次的种群迭代，灰狼优化改进算法找到的最小值是最小的，更加接近函数f1的实际最小值，说明提出的基于反向学习机制的灰狼优化改进算法可以较快、精确地找到函数的最优解。
可选的，预设的数据分析模型可以为基于支持向量机的数据分析模型，用于根据支持向量机的方法对获取的数据进行分类。通过将计算得到的最优的惩罚系数和核宽加入支持向量机模型中，其中，是惩罚系数在支持向量机中的表示对误差的宽容度，这个值越高，说明越不能容忍出现误差。核宽是选择径向基函数作为核函数之后，该函数自带的一个参数，隐含地决定了数据映射到新的特征空间后的分布。
给定一组训练样本，每个标记属于两类，一个支持向量机训练算法建立了一个模型。支持向量机的关键在于核函数。低维空间向量集通常难于划分，解决的方法是将它们映射到高维空间。但这个办法带来的困难就是计算复杂度的增加，而核函数正好巧妙地解决了这个问题。也就是说，只要选用适当的核函数，就可以得到高维空间的分类函数。在支持向量机理论中，采用不同的核函数将导致不同的支持向量机算法。
在确定了核函数之后，由于确定核函数的已知数据也存在一定的误差，考虑到推广性问题，因此引入了惩罚系数和核宽两个参变量来加以校正。在确定了核函数基础上，再经过大量对比实验等将这两个系数取定，进而通过核函数对数据样本进行分析，得到精确的数据分析结果。
示例性的，在医疗领域通过获取医疗数据，比如针对基于超声特征的甲状腺良恶性结节区分的数据单个样本属性分布，包括针对甲状腺良恶性结节疾病的超声属性以及表示该数据样本的类别。通过该领域内的属性指标和类别标签组成样本数据格式，基于该数据格式获取待分析数据。通过数据分析模型对医疗数据进行分类，获取到健康或者疾病的数据，进而针对疾病数据进行相应的诊断或者预测。
上述方案，根据搜索空间分别计算狼群中每只灰狼在当前位置时的惩罚系数和核宽，以及每只灰狼在反向位置时的反向惩罚系数和反向核宽，确定每只灰狼的第一适应度和第二适应度，选择适应度最高的灰狼为狼群中的Alpha狼，并将其对应的惩罚系数和核宽识别为狼群的惩罚系数和核宽。使狼群中其他类型的灰狼向Alpha狼进行螺旋运动和莱维飞行移动，扩大了局部搜索的空间，从而增强了算法的局部搜索能力和全局探测能力，使得狼群在移动过程中能在自身的移动区域中找到精确的最优解。最后根据惩罚系数、核宽以及预设的分析模型，对待分析数据进行分析，快速、精确地得到分析结果。
图4是本发明实施例提供的一种基于灰狼优化算法的数据分析装置的结构图。本实施例中的基于灰狼优化算法的数据分析装置为具有数据分析功能的装置，该装置可以为计算机、服务器、平板电脑等装置，此处不做限制。装置400包括的各单元用于执行图1对应的实施例中的各步骤，具体请参阅图1及图1对应的实施例中的相关描述，此处不赘述。本实施例的基于灰狼优化算法的数据分析装置400包括数据获取单元401、参数计算单元402及数据分析单元403。
数据获取单元401用于获取待分析数据。
参数计算单元402用于根据预设的搜索空间，通过灰狼优化算法计算狼群的惩罚系数和核宽。
数据分析单元403用于根据所述惩罚系数、核宽以及预设的分析模型，对所述待分析数据进行分析，得到分析结果。
上述方案，通过引入反向学习机制，计算灰狼优化算法中狼群的惩罚系数和核宽，得到预设的分析模型的参数最优解。扩大了狼群中灰狼的种类，提升了算法的全局探测能力，有助于提高优化过程的收敛速度。进而通过该分析模型对待分析数据进行分析，快速得到精确的分析结果。
图5是本发明实施例提供的一种基于灰狼优化算法的数据分析装置的结构图。本实施例中的基于灰狼优化算法的数据分析装置为具有数据分析功能的装置，该装置可以为计算机、服务器、平板电脑等装置，此处不做限制。装置500包括的各单元用于执行图2对应的实施例中的各步骤，具体请参阅图2及图2对应的实施例中的相关描述，此处不赘述。本实施例的基于灰狼优化算法的数据分析装置500包括数据获取单元501、参数计算单元502及数据分析单元503。
数据获取单元501用于获取待分析数据。
参数计算单元502用于根据预设的搜索空间，通过灰狼优化算法计算狼群的惩罚系数和核宽。
其中，参数计算单元502包括：特征值计算单元5021、适应度计算单元5022以及参数确定单元5023。
特征值计算单元5021用于根据所述搜索空间，确定所述狼群中每只灰狼的当前位置的第一特征值及反向位置的第二特征值。
适应度计算单元5022用于根据所述第一特征值确定所述每只灰狼的第一适应度，并根据所述第一特征值以及所述第二特征值确定所述每只灰狼的第二适应度。
参数确定单元5023用于根据所述第一适应度和所述第二适应度，选择适应度最高的灰狼为所述狼群中的Alpha狼，将所述Alpha狼的当前位置对应的第一特征值包含的惩罚系数和核宽识别为所述狼群的惩罚系数和核宽。
数据分析单元503用于根据所述惩罚系数、核宽以及预设的分析模型，对所述待分析数据进行分析，得到分析结果。
其中，适应度计算单元5022包括：第一适应度计算单元和第二适应度计算单元。
第一适应度计算单元，用于将所述当前位置对应的惩罚系数和核宽作为所述分析模型的第一参数，通过所述第一参数计算所述分析模型的第一准确度，所述第一准确度为所述第一适应度。
第二适应度计算单元，用于将所述当前位置对应的惩罚系数和核宽，以及所述反向位置对应的反向惩罚系数和反向核宽作为所述分析模型的第二参数，通过所述第二参数计算所述分析模型的第二准确度，所述第二准确度为所述第二适应度。
上述方案，根据搜索空间分别计算狼群中每只灰狼在当前位置时的惩罚系数和核宽，以及每只灰狼在反向位置时的反向惩罚系数和反向核宽，确定每只灰狼的第一适应度和第二适应度，选择适应度最高的灰狼为狼群中的Alpha狼，并将其对应的惩罚系数和核宽识别为狼群的惩罚系数和核宽。使狼群中其他类型的灰狼向Alpha狼进行螺旋运动和莱维飞行移动，扩大了局部搜索的空间，从而增强了算法的局部搜索能力和全局探测能力，使得狼群在移动过程中能在自身的移动区域中找到精确的最优解。最后根据惩罚系数、核宽以及预设的分析模型，对待分析数据进行分析，快速、精确地得到分析结果。
参见图6，图6是本发明再一实施例提供的一种终端的示意框图。如图6所示的本实施例中的终端600可以包括：一个或多个处理器601、一个或多个输入设备602、一个或多个则输出设备603及一个或多个存储器604。上述处理器601、输入设备602、则输出设备603及存储器604通过通信总线605完成相互间的通信。存储器604用于存储计算机程序，所述计算机程序包括程序指令。处理器601用于执行存储器604存储的程序指令。其中，处理器601被配置用于调用所述程序指令执行以下操作：
处理器601用于获取待分析数据。
处理器601还用于根据预设的搜索空间，通过灰狼优化算法计算狼群的惩罚系数和核宽。
处理器601还用于根据所述惩罚系数、核宽以及预设的分析模型，对所述待分析数据进行分析，得到分析结果。
处理器601具体用于根据所述搜索空间，确定所述狼群中每只灰狼的当前位置的第一特征值及反向位置的第二特征值。
处理器601具体用于根据所述第一特征值确定所述每只灰狼的第一适应度，并根据所述第一特征值以及所述第二特征值确定所述每只灰狼的第二适应度。
处理器601具体用于根据所述第一适应度和所述第二适应度，选择适应度最高的灰狼为所述狼群中的Alpha狼，将所述Alpha狼的当前位置对应的第一特征值包含的惩罚系数和核宽识别为所述狼群的惩罚系数和核宽。
处理器601具体用于根据所述搜索空间，计算所述狼群中每只灰狼在当前位置对应的惩罚系数和核宽。
处理器601具体用于根据所述搜索空间和所述当前位置对应的惩罚系数和核宽，计算所述反向位置对应的反向惩罚系数和反向核宽。
处理器601具体用于根据所述每只灰狼的所述当前位置对应的惩罚系数和核宽，计算所述当前位置对应的第一适应度，根据所述第一适应度确定第一狼群。
处理器601具体用于根据所述每只灰狼的当前位置对应的惩罚系数和核宽，以及所述反向位置对应的反向惩罚系数和反向核宽，计算所述反向位置对应的第二适应度，根据所述第二适应度确定第二狼群。
处理器601具体用于根据所述第一适应度和所述第二适应度，从所述第一狼群和所述第二狼群中，选择预设数量的灰狼组成第三狼群。
处理器601具体用于根据所述第一适应度和所述第二适应度，从所述第三狼群中选择适应度最高的灰狼为Alpha狼，确定所述狼群的惩罚系数和核宽为所述Alpha狼当前位置对应的惩罚系数和核宽。
处理器601具体用于将所述当前位置对应的惩罚系数和核宽作为所述分析模型的第一参数，通过所述第一参数计算所述分析模型的第一准确度，所述第一准确度为所述第一适应度；
处理器601具体用于将所述当前位置对应的惩罚系数和核宽，以及反向位置对应的反向惩罚系数和反向核宽作为所述分析模型的第二参数，通过所述第二参数计算所述分析模型的第二准确度，所述第二准确度为所述第二适应度。
处理器601具体用于产生随机数，并计算移动系数；所述随机数和移动系数用于确定所述第三狼群中每只所述灰狼的移动方式。
处理器601具体用于若所述随机数大于第一阈值，且所述移动系数大于预设的第二阈值，则控制所述Omega狼向所述Alpha狼和Beta狼移动并进行莱维飞行。
处理器601具体用于若所述随机数大于所述第一阈值，且所述移动系数小于或等于所述第二阈值，则控制所述Omega狼向所述Alpha狼和Beta狼移动。
处理器601具体用于若所述随机数小于或等于预设的第一阈值，则控制所述Omega狼向所述Alpha狼和Beta狼以螺旋运动和莱维飞行的方式移动。
上述方案，根据搜索空间分别计算狼群中每只灰狼在当前位置时的惩罚系数和核宽，以及每只灰狼在反向位置时的反向惩罚系数和反向核宽，确定每只灰狼的第一适应度和第二适应度，选择适应度最高的灰狼为狼群中的Alpha狼，并将其对应的惩罚系数和核宽识别为狼群的惩罚系数和核宽。使狼群中其他类型的灰狼向Alpha狼进行螺旋运动和莱维飞行移动，扩大了局部搜索的空间，从而增强了算法的局部搜索能力和全局探测能力，使得狼群在移动过程中能在自身的移动区域中找到精确的最优解。最后根据惩罚系数、核宽以及预设的分析模型，对待分析数据进行分析，快速、精确地得到分析结果。
应当理解，在本发明实施例中，所称处理器601可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
输入设备602可以包括触控板、指纹采传感器(用于采集用户的指纹信息和指纹的方向信息)、麦克风等，输出设备603可以包括显示器(LCD等)、扬声器等。
该存储器604可以包括只读存储器和随机存取存储器，并向处理器601提供指令和数据。存储器604的一部分还可以包括非易失性随机存取存储器。例如，存储器604还可以存储设备类型的信息。
具体实现中，本发明实施例中所描述的处理器601、输入设备602、输出设备603可执行本发明实施例提供的基于灰狼优化算法的数据分析的方法的第一实施例和第二实施例中所描述的实现方式，也可执行本发明实施例所描述的终端的实现方式，在此不再赘述。
在本发明的另一实施例中提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时实现：
获取待分析数据。
根据预设的搜索空间，通过灰狼优化算法计算狼群的惩罚系数和核宽。
根据所述惩罚系数、核宽以及预设的分析模型，对所述待分析数据进行分析，得到分析结果。
进一步的，所述计算机程序被处理器执行时还实现：
根据所述搜索空间，确定所述狼群中每只灰狼的当前位置的第一特征值及反向位置的第二特征值。
根据所述第一特征值确定所述每只灰狼的第一适应度，并根据所述第一特征值以及所述第二特征值确定所述每只灰狼的第二适应度。
根据所述第一适应度和所述第二适应度，选择适应度最高的灰狼为所述狼群中的Alpha狼，将所述Alpha狼的当前位置对应的第一特征值包含的惩罚系数和核宽识别为所述狼群的惩罚系数和核宽。
进一步的，所述计算机程序被处理器执行时还实现：
根据所述搜索空间，计算所述狼群中每只灰狼在当前位置对应的惩罚系数和核宽。
根据所述搜索空间和所述当前位置对应的惩罚系数和核宽，计算所述反向位置对应的反向惩罚系数和反向核宽。
根据所述每只灰狼的所述当前位置对应的惩罚系数和核宽，计算所述当前位置对应的第一适应度，根据所述第一适应度确定第一狼群。
根据所述每只灰狼的当前位置对应的惩罚系数和核宽，以及所述反向位置对应的反向惩罚系数和反向核宽，计算所述反向位置对应的第二适应度，根据所述第二适应度确定第二狼群。
根据所述第一适应度和所述第二适应度，从所述第一狼群和所述第二狼群中，选择预设数量的灰狼组成第三狼群。
根据所述第一适应度和所述第二适应度，从所述第三狼群中选择适应度最高的灰狼为Alpha狼，确定所述狼群的惩罚系数和核宽为所述Alpha狼当前位置对应的惩罚系数和核宽。
进一步的，所述计算机程序被处理器执行时还实现：
将所述当前位置对应的惩罚系数和核宽作为所述分析模型的第一参数，通过所述第一参数计算所述分析模型的第一准确度，所述第一准确度为所述第一适应度。
将所述当前位置对应的惩罚系数和核宽，以及所述反向位置对应的反向惩罚系数和反向核宽作为所述分析模型的第二参数，通过所述第二参数计算所述分析模型的第二准确度，所述第二准确度为所述第二适应度。
进一步的，所述计算机程序被处理器执行时还实现：
产生随机数，并计算移动系数；所述随机数和移动系数用于确定所述第三狼群中每只所述灰狼的移动方式。
若所述随机数大于第一阈值，且所述移动系数大于预设的第二阈值，则控制所述Omega狼向所述Alpha狼和Beta狼移动并进行莱维飞行。
若所述随机数大于所述第一阈值，且所述移动系数小于或等于所述第二阈值，则控制所述Omega狼向所述Alpha狼和Beta狼移动。
若所述随机数小于或等于预设的第一阈值，则控制所述Omega狼向所述Alpha狼和Beta狼以螺旋运动和莱维飞行的方式移动。
上述方案，根据搜索空间分别计算狼群中每只灰狼在当前位置时的惩罚系数和核宽，以及每只灰狼在反向位置时的反向惩罚系数和反向核宽，确定每只灰狼的第一适应度和第二适应度，选择适应度最高的灰狼为狼群中的Alpha狼，并将其对应的惩罚系数和核宽识别为狼群的惩罚系数和核宽。使狼群中其他类型的灰狼向Alpha狼进行螺旋运动和莱维飞行移动，扩大了局部搜索的空间，从而增强了算法的局部搜索能力和全局探测能力，使得狼群在移动过程中能在自身的移动区域中找到精确的最优解。最后根据惩罚系数、核宽以及预设的分析模型，对待分析数据进行分析，快速、精确地得到分析结果。
所述计算机可读存储介质可以是前述任一实施例所述的终端的内部存储单元，例如终端的硬盘或内存。所述计算机可读存储介质也可以是所述终端的外部存储设备，例如所述终端上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，所述计算机可读存储介质还可以既包括所述终端的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序及所述终端所需的其他程序和数据。所述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的终端和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的终端和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于灰狼优化算法的数据分析方法，其特征在于，包括：
获取待分析数据；
根据预设的搜索空间，通过灰狼优化算法计算狼群的惩罚系数和核宽；
根据所述惩罚系数、核宽以及预设的分析模型，对所述待分析数据进行分析，得到分析结果。
2.如权利要求1所述的基于灰狼优化算法的数据分析方法，其特征在于，所述根据预设的搜索空间，通过灰狼优化算法计算狼群的惩罚系数和核宽，包括：
根据所述搜索空间，确定所述狼群中每只灰狼的当前位置的第一特征值及反向位置的第二特征值；
根据所述第一特征值确定所述每只灰狼的第一适应度，并根据所述第一特征值以及所述第二特征值确定所述每只灰狼的第二适应度；
根据所述第一适应度和所述第二适应度，选择适应度最高的灰狼为所述狼群中的Alpha狼，将所述Alpha狼的当前位置对应的第一特征值包含的惩罚系数和核宽识别为所述狼群的惩罚系数和核宽。
3.如权利要求2所述的基于灰狼优化算法的数据分析方法，其特征在于，所述根据所述搜索空间，确定所述狼群中每只灰狼的当前位置的第一特征值及反向位置的第二特征值，包括：
根据所述搜索空间，计算所述狼群中每只灰狼在当前位置对应的惩罚系数和核宽；
根据所述搜索空间和所述当前位置对应的惩罚系数和核宽，计算所述反向位置对应的反向惩罚系数和反向核宽；
所述根据所述第一特征值确定所述每只灰狼的第一适应度，并根据所述第一特征值以及所述第二特征值确定所述每只灰狼的第二适应度，包括：
根据所述每只灰狼的所述当前位置对应的惩罚系数和核宽，计算所述当前位置对应的第一适应度，根据所述第一适应度确定第一狼群；
根据所述每只灰狼的当前位置对应的惩罚系数和核宽，以及所述反向位置对应的反向惩罚系数和反向核宽，计算所述反向位置对应的第二适应度，根据所述第二适应度确定第二狼群；
所述根据所述第一适应度和所述第二适应度，选择适应度最高的所述灰狼为所述狼群中的Alpha狼，将所述Alpha狼的当前位置对应的第一特征值包含的惩罚系数和核宽识别为所述狼群的惩罚系数和核宽，包括：
根据所述第一适应度和所述第二适应度，从所述第一狼群和所述第二狼群中，选择预设数量的灰狼组成第三狼群；
根据所述第一适应度和所述第二适应度，从所述第三狼群中选择适应度最高的灰狼为Alpha狼，确定所述Alpha狼当前位置对应的惩罚系数和核宽为所述狼群的惩罚系数和核宽。
4.如权利要求2或3所述的基于灰狼优化算法的数据分析方法，其特征在于，所述根据所述当前位置确定所述每只灰狼的第一适应度，包括：
将所述当前位置对应的惩罚系数和核宽作为所述分析模型的第一参数，通过所述第一参数计算所述分析模型的第一准确度，将所述第一准确度作为所述第一适应度；
所述根据所述第一特征值以及所述第二特征值确定所述每只灰狼的第二适应度，包括：
将所述当前位置对应的惩罚系数和核宽，以及所述反向位置对应的反向惩罚系数和反向核宽作为所述分析模型的第二参数，通过所述第二参数计算所述分析模型的第二准确度，将所述第二准确度作为所述第二适应度。
5.如权利要求3所述的基于灰狼优化算法的数据分析方法，其特征在于，所述狼群中还包括贝塔Beta狼和欧米茄Omega狼，所述选择所述第三狼群中适应度最高的所述灰狼为Alpha狼之后，还包括：
产生随机数，并计算移动系数；所述随机数和移动系数用于确定所述第三狼群中每只所述灰狼的移动方式；
若所述随机数大于第一阈值，且所述移动系数大于预设的第二阈值，则控制所述Omega狼向所述Alpha狼和Beta狼移动并进行莱维飞行；
若所述随机数大于所述第一阈值，且所述移动系数小于或等于所述第二阈值，则控制所述Omega狼向所述Alpha狼和Beta狼移动；
若所述随机数小于或等于预设的第一阈值，则控制所述Omega狼向所述Alpha狼和Beta狼以螺旋运动和莱维飞行的方式移动。
6.一种基于灰狼优化算法的数据分析装置，其特征在于，包括：
数据获取单元，用于获取待分析数据；
参数计算单元，用于根据预设的搜索空间，通过灰狼优化算法计算狼群的惩罚系数和核宽；
数据分析单元，用于根据所述惩罚系数、核宽以及预设的分析模型，对所述待分析数据进行分析，得到分析结果。
7.如权利要求6所述的基于灰狼优化算法的数据分析装置，其特征在于，所述参数计算单元包括：
特征值计算单元，用于根据所述搜索空间，确定所述狼群中每只灰狼的当前位置的第一特征值及反向位置的第二特征值；
适应度计算单元，用于根据所述第一特征值确定所述每只灰狼的第一适应度，并根据所述第一特征值以及所述第二特征值确定所述每只灰狼的第二适应度；
参数确定单元，用于根据所述第一适应度和所述第二适应度，选择适应度最高的灰狼为所述狼群中的Alpha狼，将所述Alpha狼的当前位置对应的第一特征值包含的惩罚系数和核宽识别为所述狼群的惩罚系数和核宽。
8.如权利要求6所述的基于灰狼优化算法的数据分析装置，其特征在于，所述适应度计算单元包括：
第一适应度计算单元，用于将所述当前位置对应的惩罚系数和核宽作为所述分析模型的第一参数，通过所述第一参数计算所述分析模型的第一准确度，所述第一准确度为所述第一适应度；
第二适应度计算单元，用于所述当前位置对应的惩罚系数和核宽，以及将所述反向位置对应的反向惩罚系数和反向核宽作为所述分析模型的第二参数，通过所述第二参数计算所述分析模型的第二准确度，所述第二准确度为所述第二适应度。
9.一种基于灰狼优化算法的数据分析装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤。
CN201711203871.3A 2017-11-27 2017-11-27 一种基于灰狼优化算法的数据分析方法及装置 Pending CN107909141A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711203871.3A CN107909141A (zh) 2017-11-27 2017-11-27 一种基于灰狼优化算法的数据分析方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711203871.3A CN107909141A (zh) 2017-11-27 2017-11-27 一种基于灰狼优化算法的数据分析方法及装置

Publications (1)

Publication Number Publication Date
CN107909141A true CN107909141A (zh) 2018-04-13

Family

ID=61848576

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711203871.3A Pending CN107909141A (zh) 2017-11-27 2017-11-27 一种基于灰狼优化算法的数据分析方法及装置

Country Status (1)

Country Link
CN (1) CN107909141A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110087247A (zh) * 2019-05-30 2019-08-02 吉林大学 一种虚拟力嵌入莱维飞行的灰狼搜索的无线传感器网络覆盖优化算法及应用
CN110132596A (zh) * 2019-04-24 2019-08-16 昆明理工大学 一种基于小波包和gwo-svm的滚动轴承故障诊断的方法
CN110376458A (zh) * 2019-07-03 2019-10-25 东华大学 优化孪生支持向量机的电力变压器故障诊断系统
CN111815023A (zh) * 2020-06-05 2020-10-23 长春工业大学 一种基于改进灰狼优化算法的校园电采暖软启动方法
CN112116952A (zh) * 2020-08-06 2020-12-22 温州大学 基于扩散及混沌局部搜索的灰狼优化算法的基因选择方法
CN112037285B (zh) * 2020-08-24 2024-03-29 上海电力大学 基于Levy飞行和变异机制灰狼优化的摄像机标定方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110132596A (zh) * 2019-04-24 2019-08-16 昆明理工大学 一种基于小波包和gwo-svm的滚动轴承故障诊断的方法
CN110087247A (zh) * 2019-05-30 2019-08-02 吉林大学 一种虚拟力嵌入莱维飞行的灰狼搜索的无线传感器网络覆盖优化算法及应用
CN110087247B (zh) * 2019-05-30 2021-05-25 吉林大学 一种虚拟力嵌入莱维飞行的灰狼搜索的无线传感器网络覆盖优化算法及应用
CN110376458A (zh) * 2019-07-03 2019-10-25 东华大学 优化孪生支持向量机的电力变压器故障诊断系统
CN111815023A (zh) * 2020-06-05 2020-10-23 长春工业大学 一种基于改进灰狼优化算法的校园电采暖软启动方法
CN112116952A (zh) * 2020-08-06 2020-12-22 温州大学 基于扩散及混沌局部搜索的灰狼优化算法的基因选择方法
CN112116952B (zh) * 2020-08-06 2024-02-09 温州大学 基于扩散及混沌局部搜索的灰狼优化算法的基因选择方法
CN112037285B (zh) * 2020-08-24 2024-03-29 上海电力大学 基于Levy飞行和变异机制灰狼优化的摄像机标定方法

Similar Documents

Publication Publication Date Title
CN107909141A (zh) 一种基于灰狼优化算法的数据分析方法及装置
Huang et al. Machine learning for electronic design automation: A survey
CN114861576B (zh) 超导量子芯片版图的仿真方法及装置、电子设备和介质
CN109657805A (zh) 超参数确定方法、装置、电子设备及计算机可读介质
CN107067045A (zh) 数据聚类方法、装置、计算机可读介质和电子设备
Dong et al. Adaptive neural network-based approximation to accelerate eulerian fluid simulation
CN108090516A (zh) 自动生成机器学习样本的特征的方法及系统
CN105446988B (zh) 预测类别的方法和装置
CN109670191A (zh) 机器翻译的校准优化方法、装置与电子设备
Chen et al. An adaptive hybrid memetic algorithm for thermal-aware non-slicing VLSI floorplanning
Agnesina et al. Autodmp: Automated dreamplace-based macro placement
CN112035549B (zh) 数据挖掘方法、装置、计算机设备及存储介质
US7236895B2 (en) Analysis apparatus, analysis program product and computer readable recording medium having analysis program recorded thereon
US11675951B2 (en) Methods and systems for congestion prediction in logic synthesis using graph neural networks
Biesinger et al. A hybrid genetic algorithm with solution archive for the discrete (r| p)(r| p)-centroid problem
CN110363575A (zh) 一种授信用户动支意愿预测方法、装置和设备
Abate et al. Adaptive aggregation of Markov chains: Quantitative analysis of chemical reaction networks
CN112785005A (zh) 多目标任务的辅助决策方法、装置、计算机设备及介质
Grewal et al. Automatic flow selection and quality-of-result estimation for FPGA placement
Fogaca et al. On the superiority of modularity-based clustering for determining placement-relevant clusters
CN112420125A (zh) 分子属性预测方法、装置、智能设备和终端
Lin et al. Improving FPGA placement with dynamically adaptive stochastic tunneling
CN108446738A (zh) 一种聚类方法、装置及电子设备
CN107402886B (zh) 堆栈分析方法及相关装置
Chugh et al. Towards better integration of surrogate models and optimizers

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180413