差分进化算法优化灰狼算法的混合算法（DEGWO）优化支持向量机原理及Matlab代码复现

目录

0 引言

1 数学模型

2 代码性能提升

3 Matlab代码

3.1 伪代码

3.2 DEGWO-SVM/SVR

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：

（差分进化算法和灰狼算法混合算法（DEGWO）优化支持向量机-CSDN博客）