灰狼算法（GWO）优化支持向量机原理及Matlab代码复现

无事码一章

已于 2024-09-27 14:48:42 修改

阅读量427

点赞数 14

分类专栏：支持向量机智能算法文章标签：算法支持向量机 matlab 机器学习

于 2024-09-27 14:45:28 首次发布

本文链接：https://blog.csdn.net/2401_86633719/article/details/142593028

版权

智能算法同时被 2 个专栏收录

4 篇文章 0 订阅

订阅专栏

支持向量机

2 篇文章 0 订阅

订阅专栏

0 引言

灰狼算法（Grey wolf optimizer，GWO）是学者Mirjalili于2014年基于狼群社会制度提出群智能算法，该算法模拟灰狼种群等级和捕食行为来实现优化搜索目标。

1 数学模型

GWO数学模型主要模拟灰狼社会等级（α、β、δ和ω）制度，高等级狼群带领低等级狼群实现跟踪、包围、追捕和攻击猎物实现捕猎过程。其数学模型如下：

1）社会等级：在GWO算法种，将种群灰狼位置进行按照适应度排列，将最优解、次优解、第三优解灰狼种群位置分布划分为α、β、δ狼。通过这三者狼群带领ω狼捕食。

2）包围猎物：灰狼在捕猎过程中包围着猎物。为了对环绕行为进行数学模型，提出了以下方程式：

式中D为灰狼和猎物距离，X为灰狼位置，Xp为猎物位置，A、C为系数向量，其值如下：

式中a为从2到0线性递减的系数，r1,r2为[0,1]随机向量。

3）狩猎：灰狼在锁定猎物位置，通过社会等级制度较高α、β、δ狼做出引导，迫使其他ω狼群包围猎物和追踪猎物。

式中 $D_a,D_\beta ,D_\delta$ 分别表示α狼、β狼和δ狼与其它灰狼的距离； $X_\alpha ,X_\beta ,X_\delta$ 分别表示α狼、β狼和δ狼的位置；X1、X2和X3分别表示受α狼、β狼和δ狼的影响后w狼调整后的位置。其调整ω狼群追踪猎物趋势如图所示：

4）攻击猎物：灰狼在猎物停止移动时攻击它来捕猎。为了用数学模型来接近猎物，如下式系数向量A所示，随着a线性递减，灰狼出现俩种阶段，当lAl大于1出现全局搜索猎物阶段如下图b所示，当lAl小于1出现局部开发阶段，灰狼会攻击猎物，如下图a所示。

2 优化方式

前篇对支持向量机（支持向量机原理及Matlab代码-CSDN博客）原理讲解，从支持向量机模型运算过程中，可以了解到模型高维映射核函数参数g和处罚因子c对模型预测结果影响最为重要。因此结合上述GWO原理介绍，可以将支持向量机超参数作为灰狼种群位置，每一个种群位置对应支持向量机的预测值，将这个预测值作为适应度更新α、β和δ狼，引导ω狼实现对猎物捕食，从而更新更优狼群位置。

3 Matlab代码

3.1 伪代码

3.2 GWO主函数

%% 主循环
while l<Max_iteration %white（t<最大迭代次数）
    for i=1:size(Positions,1)  %智能体个数
        
       % 超出边界处理
        Flag4ub=Positions(i,:)>ub;
        Flag4lb=Positions(i,:)<lb;
        Positions(i,:)=(Positions(i,:).*(~(Flag4ub+Flag4lb)))+ub.*Flag4ub+lb.*Flag4lb; %返回限制边界               
        
        % 计算狼群的适应度函数
        X = reshape(Positions(i,:),1,dim);
        fitness = SYD(X,net);
        net.trainParam.showWindow = 0;       % 关闭训练窗口
        % 跟新α，β，δ狼作为最优适应度
        if fitness<Alpha_score 
            Alpha_score=fitness; % α
            Alpha_pos=Positions(i,:);
        end
        
        if fitness>Alpha_score && fitness<Beta_score 
            Beta_score=fitness; % β
            Beta_pos=Positions(i,:);
        end
        
        if fitness>Alpha_score && fitness>Beta_score && fitness<Delta_score 
            Delta_score=fitness; % δ
            Delta_pos=Positions(i,:);
        end
    end
    
    
    a=2-l*((2)/Max_iteration); % a是从2到0线性递减的数
    
    % 跟新ω狼寻找猎物
    for i=1:size(Positions,1)
        for j=1:size(Positions,2)     
            
            % 根据α狼群更新位置X1  

            r1=rand(); % r1是[0，1]随机分布的数；
            r2=rand(); % r2是[0，1]随机分布的数；
            
            % 计算A1和C1
            A1=2*a*r1-a; % Eq3.3的系数向量
            C1=2*r2; % Eq3.4的系数向量
            
            % 计算α狼指导其他狼寻优的位置和距离
            D_alpha=abs(C1*Alpha_pos(j)-Positions(i,j)); % Eq3.5的距离公式
            X1=Alpha_pos(j)-A1*D_alpha; % Eq3.6的位置公式
            
            %根据β狼群更新位置X2           
            r1=rand();
            r2=rand();
            
            A2=2*a*r1-a; % 同上
            C2=2*r2; % 同上
            
            D_beta=abs(C2*Beta_pos(j)-Positions(i,j)); % 同上
            X2=Beta_pos(j)-A2*D_beta; % 同上       
             
            %根据Delta狼群更新位置X3
            r1=rand();
            r2=rand(); 
            
            A3=2*a*r1-a; % Equation 同上
            C3=2*r2; % Equation 同上
            
            D_delta=abs(C3*Delta_pos(j)-Positions(i,j)); % 同上
            X3=Delta_pos(j)-A3*D_delta; % 同上          
            
            %更新后的狼只位置
            Positions(i,j)=(X1+X2+X3)/3;% ω狼的位置 Eq3.7
            
        end
    end
    l=l+1;    
    Convergence_curve(l)=Alpha_score; % 返回最优α狼作为适应度
end