刘继忠谢毓顺徐文斌邓家诚李继发丁亚飞

(南昌大学,南昌市医工结合研究重点实验室,江西 南昌330031)

近20年以来,元启发式算法(meta-euristic algorithm)迅速发展,它是源自于自然现象的启发,并结合计算智能的机制求解复杂的优化问题最优解的方法,包括遗传算法(Genetic Algorithm,GA)[1]、模拟退火算法(Simulated Annealing,SA)[2]、粒子群优化(Particle Swarm Optimization,PSO)算法[3]、差分进化(Differential Evolution,DE)算法[4]、布谷鸟搜索(Cuckoo Search,CS)算法[5]等。

灰狼优化算法(GWO)是Mirjalili[6]于2014年提出的一种新型的元启发式算法。GWO算法与传统的PSO算法相比,其设置参数较少,编程难度小,且GWO算法本身并不依赖于参数的设置[7]。但GWO算法在求解高维度、多模态复杂函数问题时,容易陷入局部最优和出现早熟收敛现象。针对这些缺点,国内外学者提出了一些改进方法。龙文等人[8]在灰狼优化算法中引Powell局部搜索方式,有效提高了算法局部搜索能力。张悦等[9]在灰狼个体的适应度中引入了自适应调整策略和位置更新策略,提升了算法运行速度。Heidari和Pahlavani[10]提出一种高效的GWO算法用于处理全局优化问题,该算法利用Lévy飞行策略增强算法的全局勘探能力,引入贪婪选择算子加快收敛速度。Long等[11]分析了GWO算法的个体位置更新方程由全局最优解引导产生新个体,提出了一种修改个体位置更新方程以增强GWO算法的全局勘探能力。本文为了解决灰狼算法易陷入局部最优的缺点,将双子群策略引入GWO以改进GWO算法,并将其应用到SVM中,建立DDGWO-SVM模型,获取最优核参数和惩罚参数。并将改进后的SVM模型应用于心电信号识别中,提升了心电信号识别率,验证了该改进算法的寻优特性。……