目录
0 引言
针对差分进化易陷入局部最优和灰狼算法易早熟停滞的缺点,已有学者提出了一种基于差分进化( DE) 算法和灰狼( GWO) 算法的混合优化算法( DEGWO) 。该算法利用差分进化的变异、选择算子维持种群的多样性,然后引入灰狼算法与差分进化的交叉、选择算子进行全局搜索,有效提高单一模型存在缺陷。
1 数学模型
DEGWO算法利用DE变异和选择算子对GWO初始化种群进行多样性选择和生成。同时在最优对优势灰狼个体进行交叉提高GWO模型全局性,具体数学模型如下:
1)DE变异操作来生成GWO种群:在GWO随机初始化种群基础上,利用DE变异系数对灰狼种群变异生成,提高GWO多样性。
式中X灰狼个体为GWO随机初始化种群,F为变异系数;
2)GWO算法数学模型:灰狼算法(GWO)优化BP神经网络原理及Matlab代码复现-CSDN博客
3)利用DE交叉操作来增强GWO种群多样性:在GWO算法后期,采用DE交叉操作来增强GWO种群多样性,避免灰狼个体跟随α,β和δ狼影响陷入局部最优
式中CR为交叉系数。
2 代码性能提升
DEGWO-SVM、GWO-SVM、DE-SVM算法种群适应度提升如下:DEGWO有效克服DE和GWO单一算法在全局性和局部性的缺陷。
注:图片为辅导研究生毕业图片,故加水印。
3 Matlab代码
3.1 伪代码
3.2 DEGWO-SVM/SVR
回归模型、分类模型: