改进的北方苍鹰算法（INGO）优化支持向量机原理及MATLAB代码复习

0 引言

针对北方苍鹰优化算法存在易陷入局部最优的问题，改进北方苍鹰优化算法(INGO)。首先 在种群初始化阶段，引入佳点集方法映射到搜索空间，提高了种群的多样性以及避免了早熟；其次，在位置更新阶段，加入鱼鹰局部勘探位置更新策略和自适应惯性权重因子，增强了全局勘探和局部开发能力同时提升算法的收敛速度和收敛精度。

1 数学模型

INGO是在NGO的基础上引入佳点集映射、鱼鹰局部勘探位置更新策略和自适应惯性权重因子方法来提高模型性能，具体的数学模型如下：

1）引入佳点集策略：基于NGO随机初始化种群容易出现全局不均匀性能，而且常见的均匀化分布策略(如混沌、拟蒙特卡罗等)策略会依赖于随机性，使其样本点分布不均匀，因此引入佳点集方法，该方法是能在较少的 样本点下尽可能均匀地覆盖整个搜索空间。具体操作如下所示：

式中Pnk为佳点集，r为佳点，{rn*k}为小数部分，p为满足要求最小素数，其佳点集后的种群映射如式（2）,图像如下，其中ub,lb为问题维度边界。

2）引入局部开发策略：为了提高北方苍鹰在解空间搜索的遍历性、弥补在开发阶段猎物逃生时位置的最差值和无法在局部更新出较为优秀的位置，引入鱼鹰优化算法（Osprey Optimization Algorithm, OOA）的局部勘探位置更新策略对北方苍鹰第二阶段位置更新过程进行改进，改进后的位置更新公式为：

式中t为当前迭代，r为随机数。

3）自适应惯性权重：为了提高北方苍鹰算法的寻优能力，引入自适应惯性权重因子，可以使算法在探索和开发之间达到一定的平衡，提高其自适应能力。本文提出了新的自适应惯性权重方法，自适应惯性权重公式 表达如下：

式中Tmax为最大迭代次数，入为常数0.168，该式子为一个非线性函数，将其引入NGO的全局搜索阶段和开发阶段，具体如下：

2 模型性能对比

NGO-SVM和INGO-SVM的模型性能如下，分别对比模型精度指标和寻优指标：数据来源UCI二分类数据。

1）精度指标：

2）寻优指标：

3 MATLAB代码复现

3.1 伪代码流程

3.2 INGO-SVM/INGO-SVR

回归预测模型进和分类模型的代码复现：

（改进的北方苍鹰算法优化支持向量机（INGO-SVR/SVM）MATLAB代码复现-CSDN博客）