北方苍鹰算法（NGO）优化支持向量机原理及MATLAB代码复现

无事码一章

于 2024-10-04 08:00:00 发布

阅读量471

点赞数 17

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

本文链接：https://blog.csdn.net/2401_86633719/article/details/142674666

版权

智能算法同时被 2 个专栏收录

27 篇文章 0 订阅

订阅专栏

支持向量机

11 篇文章 0 订阅

订阅专栏

0 引言

北方苍鹰算法（Northern Goshawk Optimization,NGO）是MOHAMMAD DEHGHANI等人于2021年基于北方苍鹰的捕食行为提出的群智能算法，该算法模拟苍鹰在狩猎过程中对猎物的识别、猎物的逃生、苍鹰追逐及攻击的行为，作为算法寻优过程全局搜索和局部开发。

1 数学模型

NGO是的数学模型是苍鹰俩个阶段的模型理想化构建，第一阶段是随机识别猎物并进行攻击，第二阶段是猎物试图逃脱和苍鹰的追捕，以此作为模型全局搜索和局部开发，具体见下：

1）初始化：在NGO算法开始时，在搜索空间中随机初始化种群个体位置。具体位置和对应适应度解如下：

式中X为种群位置，F为种群位置对应适应度解，其中N为种群规模，m为问题维度。

2）猎物的识别和攻击（探索）：北方苍鹰随机选择识别一个猎物，然后迅速攻击它。由于在搜索空间中对猎物的随机选择，这一阶段增加了算法的全局探索能力。其数学模型如下：

式中P为苍鹰随机识别猎物位置，Fp为猎物的适应度解，k为随机选择整数，用于帮助NGO候选解的随机跳跃，增强多样性；r是0到1的随机数,I是一个随机数，可以是1或2，式（5）新苍鹰位置更新，用于增强模型精度。

3）追逐和逃生操作（开发）：在北方的苍鹰攻击猎物后，猎物试图逃跑。则北方苍鹰继续追逐猎物。由于北方苍鹰的高速发展，它们几乎可以在任何情况下追逐猎物并最终捕猎。因此该行为可以增强算法局部开发能力。具体表达式如下：

式中R为苍鹰追捕范围，以攻击猎物为中心的半径，t为当前迭代，T为最大迭代。

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NGO原理介绍，可以将支持向量机的超参数作为北方苍鹰种群位置，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进行上述北方苍鹰捕食行为，更新更优的苍鹰个体。

3 MATLAB代码

3.1 伪代码

3.2 NGO主函数代码

%% 根据 搜索阶段和开发阶段更新北方苍鹰
    for i=1:Search_Agents
        %搜索阶段：猎物识别
        I=round(1+rand);% I是1或2的随机数2
        k=randperm(Search_Agents,1);
        P=X(k,:); % Eq. (3)
        F_P=fit(k);
        
        if fit(i)> F_P
            X_new(i,:)=X(i,:)+rand(1,dimensions) .* (P-I.*X(i,:)); % Eq. (4)
        else
            X_new(i,:)=X(i,:)+rand(1,dimensions) .* (X(i,:)-P); % Eq. (4)
        end
        X_new(i,:) = max(X_new(i,:),Lowerbound);
        X_new(i,:) = min(X_new(i,:),Upperbound);
        
        % Eq.(5)
        L=X_new(i,:);
        fit_new(i)=SYD(L,net);
        net.trainParam.showWindow = 0;
        if(fit_new(i)<fit(i))
            X(i,:) = X_new(i,:);
            fit(i) = fit_new(i);
        end
        
        % 开发阶段：尾随追逐
        R=0.02*(1-t/Max_iterations); %该狩猎点与攻击位置的半径Eq(7)
        X_new(i,:)= X(i,:)+ (-R+2*R*rand(1,dimensions)).*X(i,:);% Eq.(6)
        
        X_new(i,:) = max(X_new(i,:),Lowerbound);
        X_new(i,:) = min(X_new(i,:),Upperbound);
        
        % Eq (8)
        L=X_new(i,:);
        fit_new(i)=SYD(L,net);
        net.trainParam.showWindow = 0;
        if(fit_new(i)<fit(i))
            X(i,:) = X_new(i,:);
            fit(i) = fit_new(i);
        end       
    end

    best_so_far(t)=fbest; 
    average(t) = mean (fit);
    Score=fbest;
    Best_pos=xbest;
    NGO_curve(t)=Score;
end
end