基于改进灰狼优化算法的支持向量回归预测

来源：计算机测量与控制杂志2023年第7期北京时间：

作者：钟世云,张屹,戴杰,钱骏

单位：常州大学 机械与轨道交通学院

摘要：为了提高支持向量回归(SVR, Support Vector Regression)进行数据驱动预测的精度，针对SVR存在的参数优化问题，通过引入Tent混沌映射进行种群初始化、改进收敛方式、并结合模拟退火算法，改进了传统的灰狼优化算法(GWO, Grey Wolf Optimization)来优化SVR超参数，并基于改进后的GWO算法提出了一种IGWO-SVR预测模型。将提出的IGWO-SVR模型应用于NASA锂电池数据集仿真SOH预测以及实际生产中的车灯电流预测实验后，实验结果表明IGWO-SVR预测模型在NASA锂电池数据集上进行预测的误差相较GWO-SVR模型降低了23％，相较粒子群算法和遗传算法优化的SVR模型均存在明显优势，误差分别降低了39%和51%；在实际工作中使用IGWO-SVR模型进行车灯电流预测也取得良好效果，与实测值之间的相对误差达到2.67%，相较GWO-SVR模型误差降低了近7个百分点，证明了模型在实际应用中的具有良好的价值。

关键词：支持向量回归;灰狼优化算法;模拟退火;参数优化;数据驱动预测

基金资助：国家自然科学(51875053)