本发明涉及计算机预测领域，尤其涉及一种基于反比例多项式函数萤火虫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。萤火虫优化算法是一种仿生优化算法，通过模拟自然界中萤火虫的发光行为形成的一种群智能优化算法，简单、易实现、鲁棒性强。萤火虫通过领域内的荧光强弱互相吸引，且每只萤火虫位置对应空间的一个解，每一次迭代会模拟萤火虫的移动，最终使得萤火虫聚集到较好的位置，即达到问题最优解。
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。
技术实现要素：
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反比例多项式函数萤火虫优化算法的支持向量机药品预测方法。IPFFA-SVM(Improved Firefly 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反比例多项式函数萤火虫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迭代次数；
S3，初始FA算法，根据每一次迭代计算萤火虫光强值I，判断是否对萤火虫光强度I进行位置更新；
S4，判断迭代结束条件，找到最优二维向量(c,g)，将该最优二维向量(c,g)代入SVM向量机进行训练和验证，对学习样本进行调整，最终得到药品销售预测结果。
所述的基于反比例多项式函数萤火虫优化算法的支持向量机药品预测方法，优选的，所述S3初始FA算法包括：
初始FA算法中α,γ,β0的值:α是[0.1]上的随机变量，γ为光强吸收系数，为大于0的随机数，β0为r＝0处的吸引力大小，可取初始值为1。随机产生n只萤火虫位置，每一只萤火虫的位置对应的一个二维向量(c,g)其中σ为核函数分布宽度。
所述的基于反比例多项式函数萤火虫优化算法的支持向量机药品预测方法，优选的，所述S3萤火虫光强值步骤包括：
若Ij＞Ii，则根据位置更新公式
第一项为变换前的空间坐标位置，第二项为移动偏移量，与吸引力大小相关，最后一项为随即项，其中α为[0.1]上的随机变量，rand服从[0.1]分布；
将xi进行更新，并同时根据公式
将当前各只萤火虫光强度I进行更新。
所述的基于反比例多项式函数萤火虫优化算法的支持向量机药品预测方法，优选的，所述S4包括：
S4-1，达到迭代结束条件，则停止迭代，找到光强最大的萤火虫xmax，则找到最优的二维向量(c,g)；
S4-2，为加快SVM运算速度，对即将输入SVM的数据进行0-1归一化处理
S4-3，将最优解(c,g)带入SVM向量机进行模型训练和验证。
所述的基于反比例多项式函数萤火虫优化算法的支持向量机药品预测方法，优选的，还包括：
当ri,j距离不大时，采取用反比例多项式函数代替反比例指数函数的方式，对光强度和吸引力强度进行运算，使结果更加精确。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
本发明中，改进萤火虫算法是通过运用反比例多项式函数替代原反比例指数函数，进行低速率收敛。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是本发明总体流程图。
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，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
图1是实现本发明的药品销售预测的流程图，其主要包括以下步骤：利用本发明的基于反比例多项式函数萤火虫优化算法，获得最新位置xj、最大光强萤火虫xmax及所对应的最优二维向量(c,g)；将其带入SVM向量机中进行模型训练，生成最终SVM网络模型；带入验证数据，输出药品销售预测值P。
下面说明本发明的基于反比例多项式函数萤火虫优化算法的支持向量机药品销量预测方法：
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迭代次数；
C、初始FA算法中α,γ,β0的值:α是[0.1]上的随机变量，γ为光强吸收系数，为大于0的随机数，β0为r＝0处的吸引力大小，可取初始值为1。随机产生n只萤火虫位置，每一只萤火虫的位置对应的一个二维向量(c,g)其中σ为核函数分布宽度；
D、根据每一次迭代计算萤火虫光强值I，判断是否进行位置更新
若Ij＞Ii，则根据位置更新公式
第一项为变换前的空间坐标位置，第二项为移动偏移量，与吸引力大小相关，最后一项为随即项，其中α为[0.1]上的随机变量，rand服从[0.1]分布；
将xi进行更新，并同时根据公式
将当前各只萤火虫光强度I进行更新；
E、达到迭代结束条件，则停止迭代，找到光强最大的萤火虫xmax，则找到最优的二维向量(c,g)；
F、为加快SVM运算速度，对即将输入SVM的数据进行0-1归一化处理
G、综合结果，将最优解(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，最终得到预测方法。
本发明所述的基于反比例多项式函数萤火虫优化算法的支持向量机药品销量预测方法的有益效果是：通过与SVM、BP和多项式回归药品预测方法进行比较，IPFFA-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。现有经典萤火虫算法是基于自然界中萤火虫的荧光群聚活动而提出的一种新型计算智能方法。基于假定所有萤火虫都是单性的，以至于任何一只萤火虫都被另外一只所吸引并移动；任何一只萤火虫的吸引力与自身亮度成正比；萤火虫的亮度与目标函数值相关，对于最大值问题，亮度强弱正比于目标函数值；针对以上情况，此算法会产生目标函数值以指数级的速率单调递减的特点。基于此，则(本发明)当ri,j距离不大时，为避免反比例指数函数的快速收敛，采取用反比例多项式函数进行替代，对光强度和吸引力强度进行运算。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和多项式回归预测方法，可以提高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、材料或者特点可以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可以理解：在不脱离本发明的原理和宗旨的情况下可以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。