蜣螂算法（DBO）优化支持向量机原理及MATLAB代码复现

最新推荐文章于 2024-10-12 08:00:00 发布

无事码一章

最新推荐文章于 2024-10-12 08:00:00 发布

阅读量433

点赞数 20

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/142713063

版权

0 引言

蜣螂算法（Dung beetle optimizer，DBO）是由Jiankai Xue等人于2022年提出群智能算法，该算法模拟了蜣螂滚球、跳舞、觅食、偷窃和繁殖等行为提升算法全局探索和局部开发能力，在一系列的著名的数学测试函数中取得不错性能，具有收敛速度快的优势。

1 数学模型

DBO算法的数学模型对蜣螂滚球、跳舞、繁殖、觅食和偷窃五大行为进行数学建模，进而优化问题，具体模型如下：

1）滚球：为了模拟蜣螂滚动粪球在一条直线上滚动。在算法中假设其以太阳为导向进行直线滚球，受光源的强度等自然因素的影响。在滚动过程中，滚球屎壳郎的位置被更新，可以表示为：

式中X为蜣螂的位置，t为迭代次数，k∈(0,0.2]表示缺陷的常数值，b表示属于（0,1）的常数值，α为自然系数，赋值为-1或1，Xw表示全局最差位置，用Δx模拟光强的变化。

2）跳舞：蜣螂滚球过程中遇到障碍物不能前进时，其通过跳舞来调整自己方向，如下图所示，为了模拟舞蹈的行为，我们使用切线函数来得到新的滚动方向。

式中θ∈[0,Π]，在θ为0、Π/2或Π时，蜣螂的位置不变。

3）产卵球：当粪球被滚到安全的地方，并被蜣螂隐藏为春天提供一个安全的环境，提出了一种边界选择策略来模拟春天时雌性蜣螂产卵的区域，由于产卵区的边界范围是动态变化的，这主要由R值决定。因此，在迭代过程中，孵化球的位置也是动态的，具体数学模型如下：

式中Lb,Ub为问题维度边界，X*为局部最佳位置，R = 1−t∕Tmax，Tmax为最大迭代，b1和b2表示两个独立的随机向量。

4）觅食：当卵球孵化成虫（小蜣螂），会地面出来寻找食物，因此，需建立最佳的觅食区域来指导觅食，进而更新觅食后位置，其数学模型如下：

式中Xb为全局最佳的位置，c1表示一个服从正态分布的随机数，c2表示属于（0,1）的一个随机向量。

5）偷窃：与此同时一些被称为小偷蜣螂，会从其他蜣螂身上偷粪球。因此，我们可以假设Xb左右是争夺食物的最佳位置。在迭代过程中，小偷的位置信息被更新，可以描述如下：

式中g为大小为1×D的随机向量，服从正态分布，S为常数值。

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GDBO原理介绍，可以将支持向量机的超参数作为蜣螂种群位置，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蜣螂五大社会行为，对比分析蜣螂位置个体，评判全局和局部最佳蜣螂位置参与下一轮迭代。

3 MATLAB代码

3.1 伪代码

3.2 DBO主函数代码

for t = 1: M
    [fmax,B]=max(fit);
    worse= x(B,:);
    r2=rand(1); 
 
    for i = 1 : pNum    
        if(r2< 0.9)
            %蜣螂滚球过程中的位置更新
            r1= rand(1);
            a= rand(1,1);%是赋值为 -1 或 1 的自然系数
            if (a>0.1)
                a=1;
            else
                a=-1;
            end
            x(i,:)=pX(i,:)+0.3*abs(pX(i,:)-worse)+a*0.1*(XX(i,:)); % Eq(1) 
        else
            %蜣螂跳舞来重新定位自己
            aaa= randperm(180,1);
            if ( aaa==0 ||aaa==90 ||aaa==180 )
                x( i,:)= pX(i,:);
            end
            theta= aaa*pi/180;
            x(i ,:)= pX(i,:)+tan(theta).*abs(pX(i,:)-XX(i,:)); %Eq(2)      
        end

        x(i,:) = Bounds(x(i,:),lb,ub);    
        fit(i)=SYD(x(i,:),net);
        net.trainParam.showWindow = 0;
    end

    [fMin,bestII]= min(fit);
    bestXX = x(bestII,:);
    R=1-t/M;
    
    Xnew1 = bestXX.*(1-R);
    Xnew2 =bestXX.*(1+R); 
    %Eq (3)
    Xnew1= Bounds(Xnew1, lb, ub);
    Xnew2 = Bounds(Xnew2, lb, ub);

    Xnew11 = bestX.*(1-R);
    Xnew22 =bestX.*(1+R);
    %Eq (5)
    Xnew11= Bounds(Xnew11, lb, ub);
    Xnew22 = Bounds(Xnew22, lb, ub);
    
    % 育雏球的位置
    for i = (pNum +1 ) :round(0.4*pop)  %Eq (4)
        x(i,:)=bestXX+((rand(1,dim)).*(pX(i,:)-Xnew1)+(rand(1,dim)).*(pX(i,:)-Xnew2));
        
        x(i,:)= Bounds(x(i,:),Xnew1,Xnew2);
        fit(i )= SYD(x(i,:),net);
        net.trainParam.showWindow = 0;
    end
    
    % 小蜣螂在自然界中的觅食过程
    for i = round(0.4*pop): round(0.63*pop) % Eq (6)        
        x(i,:)=pX(i,:)+((randn(1)).*(pX(i,:)-Xnew11)+((rand(1,dim)).*(pX(i,:)-Xnew22)));   
        x(i,:) = Bounds(x(i,:),lb, ub);
       fit(i) = SYD(x(i,:),net);
       net.trainParam.showWindow = 0;
    end

    % 小偷的小蜣螂会从其他蜣螂那里偷粪球
    for j = round(0.63*pop) : pop    % Eq(7)
        x(j,:)=bestX+randn(1,dim).*((abs(( pX(j,:)-bestXX)))+(abs((pX(j,:)-bestX))))./2;
        x(j,:)= Bounds(x(j,:),lb,ub);
      fit(j)= SYD(x(j,:),net);
      net.trainParam.showWindow = 0;
  end
   
  XX=pX;
  for i = 1 : pop
      if (fit(i)< pFit(i))
          pFit(i)=fit(i);
          pX(i,:)=x(i,:);
      end
      
      if (pFit(i)<fMin)
          fMin= pFit(i);
          bestX = pX(i,:);
      end
  end

  Convergence_curve(t)=fMin;   
end