1.改进天牛群算法优化正则化极限学习机的入侵检测方法，其特征是：包括以下步骤：S1：初始化正则化极限学习机模型参数，获取输入层节点、隐藏层节点和输出层节点以及网络初始权值和阈值；

S2：利用改进天牛群算法获取全局最优位置，所述最优位置即为最优初始权值和阈值；

所述改进天牛群算法具体包括以下步骤

S101：使用Tent映射反向学习方法初始化天牛群体，获取输入层节点、隐藏层节点和输出层节点以及网络初始权值和阈值；

Tent映射的数学表达式为：

反向解的定义为：在D维空间中的一个可行解为x＝(x1,x2,…,xD),x∈[a,b],则其反向解为x’＝(x’1,x’2,…,x’D),其中x’i＝ai+bi‑xi；

采用Tent映射反向学习初始化种群的具体步骤如下：

1)在搜索空间中使用Tent映射产生N个天牛种群的位置xij(i＝1,2,…,D；j＝1,2,…,N)作为初始种群OB；

2)根据反向解的定义，产生初始种群OB中的每个天牛群体xij的反向群体x’ij作为反向种群FB；

3)合并种群OB和FB，使用升序将这2N个天牛群体的适应度值排序，选取其中适应度值前N个天牛群体作为初始种群；

S102：根据训练样本和适应度函数计算天牛群适应度函数值，对适应度函数值升序排序并寻找天牛群的最优解位置和最优适应度函数值；

S103：更新天牛群位置，对天牛群进行越界处理和变异操作，判断当前迭代次数是否到达最大迭代次数，若判断结果为是，则继续执行下一步骤，否则返回上一步骤；

S104：输出天牛群算法全局最优位置。

2.根据权利要求1所述的改进天牛群算法优化正则化极限学习机的入侵检测方法，其特征是：所述权值的输出采用基于LU分解法通过迭代求解输出权值。

3.根据权利要求1所述的改进天牛群算法优化正则化极限学习机的入侵检测方法，其特征是：所述越界处理具体包括更新天牛个体的朝向和位置，所述更新天牛个体的朝向和位置采用莱维飞行策略进行更新。

4.根据权利要求1所述的改进天牛群算法优化正则化极限学习机的入侵检测方法，其特征是：所述变异操作采用动态变异算法进行变异操作。

5.根据权利要求4所述的改进天牛群算法优化正则化极限学习机的入侵检测方法，其特征是：所述动态变异算法为柯西算法，所述柯西算法用于对天牛群体进行二次寻优。

6.改进天牛群算法优化正则化极限学习机的入侵检测方法电子设备，其特征在于，包括：存储器和处理器，所述处理器和所述存储器通过总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至5任一所述的方法。

7.改进天牛群算法优化正则化极限学习机的入侵检测方法计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5任一所述方法的步骤。