人工大猩猩部队优化算法（GTO）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 优化方式

3 MATLAB代码

3.1 伪代码

3.2 GTO主函数代码

3.3 GTO-SVR、GTO-SVM

0 引言

人工大猩猩部队优化算法（Artificial gorilla troops optimizer，GTO）是由Benyamin Abdollahzadeh等人于2021年基于大猩猩部队自然社会智能启发而提出新的元启发式算法，即人工。在该算法中，用数学方法计算了大猩猩的集体生命，并设计了新的机制来进行探索和开发。该算法具有寻优能力强的特点。

1 数学模型

GTO算法主要包括两大部分（探索阶段和开发阶段），探索阶段分三小点建模大猩猩迁移到未知位置，迁移到已知位置，以及迁移到其他大猩猩。开发阶段建模包括跟随银背鱼和成年雌性竞争两种行为。因此算法GTO即是对上述大猩猩五种行为进行建模。具体如下：

1）探索阶段：研究了GTO勘探阶段机制。考虑到大猩猩群体生活的本质，他们主要进行下述状态，其一在银背大猩猩的统治下成群生活，其二有些大猩猩会离开他们的群体，迁移到自然界中的不同地方，它们在过去可能遇到过，也可能没有遇到过。因此在对GTO随机初始化种群进行上述三种生活机制建模，具体如下：

在式(1)中，GX（t + 1）是下一次t迭代中的大猩猩候选位置向量。X (t)是大猩猩位置的当前向量。此外，r1、r2、r3和rand是在每次迭代中更新的从0到1的随机值。P是0-1的参数；该参数决定了选择迁移机制到一个未知位置的概率。UB和LB分别表示变量的上界和下界。Xr，GXr是从整个种群中随机选择的大猩猩种群位置，C、H和L的计算如下：

式中It为当前迭代次数，Maxit为最大迭代次数，Z为问题维度边界随机值。

2）跟随银背大猩猩（开发阶段）：在大猩猩的群体中，银背大猩猩最佳种群位置，其他大猩猩跟着银背，遵循银背大猩猩的命令或跟随去不同的地区寻找食物来源。具体模型如下：

式中Xsiliverback是银背大猩猩的位置向量（最佳解）。L的计算使用公式(4)，M使用等式(8)。在式(8)中，GXi (t)显示了每个候选大猩猩在迭代t中的向量位置。N表示大猩猩的总数。G也用式(9)估计，在式(9)中，L也用式(4)计算。

3）竞争成年雌性（开发阶段）：在GTO种群中当年轻的大猩猩进入青春期时，它们会与其他雄性大猩猩战斗，以选择成年的雌性，用以下式子表示竞争后大猩猩位置。

式中Q是模拟大猩猩竞争战斗力系数，用公式（11）计算；r5是范围从0到1的随机值；β是在优化操作前给定的参数，E在使用式（13）求值时，被用来模拟暴力对解维度的影响。如果rand≥为0.5，E的E的值将等于正常值中的随机值。

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GTO原理介绍，可以将支持向量机的超参数作为大猩猩种群位置，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更新大猩猩和银背大猩猩，进而进行大猩猩社会群体活动，更新新一轮银背大猩猩，直至满足误差要求。

3 MATLAB代码

3.1 伪代码

3.2 GTO主函数代码

%% 探索阶段（3种情况）
    for i=1:pop_size
        if rand<p    
            GX(i,:) =(ub-lb)*rand+lb;
        else  
            if rand>=0.5
                Z = unifrnd(-a,a,1,variables_no);
                H=Z.*X(i,:);   
                GX(i,:)=(rand-a)*X(randi([1,pop_size]),:)+C.*H; 
            else   
                GX(i,:)=X(i,:)-C.*(C*(X(i,:)- GX(randi([1,pop_size]),:))+rand*(X(i,:)-GX(randi([1,pop_size]),:))); 
            end
        end
    end       
       
    GX = BoundaryCheck(GX, lower_bound, upper_bound);
    
    % 重新分配种群
    for i=1:pop_size
         New_Fit= SYD(GX(i,:),net);
         net.trainParam.showWindow = 0;
         if New_Fit<Pop_Fit(i)
            Pop_Fit(i)=New_Fit;
            X(i,:)=GX(i,:);
         end
         if New_Fit<Silverback_Score 
            Silverback_Score=New_Fit; 
            Silverback=GX(i,:);
         end
    end
    
%% 开发(应用了“跟随银背”和“竞争”两种成年雌性行为)  
    for i=1:pop_size
       if a>=w  
            g=2^C;
            delta= (abs(mean(GX)).^g).^(1/g);
            GX(i,:)=C*delta.*(X(i,:)-Silverback)+X(i,:); 
       else
           
           if rand>=0.5
              h=randn(1,variables_no);
           else
              h=randn(1,1);
           end
           r1=rand; 
           GX(i,:)= Silverback-(Silverback*(2*r1-1)-X(i,:)*(2*r1-1)).*(Beta*h); 
           
       end
    end
   
    GX = BoundaryCheck(GX, lower_bound, upper_bound);
    
    % 重新分配种群    
    for i=1:pop_size
         New_Fit= SYD(GX(i,:),net);
         net.trainParam.showWindow = 0;
         if New_Fit<Pop_Fit(i)
            Pop_Fit(i)=New_Fit;
            X(i,:)=GX(i,:);
         end
         if New_Fit<Silverback_Score 
            Silverback_Score=New_Fit; 
            Silverback=GX(i,:);
         end
    end
             
convergence_curve(It)=Silverback_Score;
      
end 

3.3 GTO-SVR、GTO-SVM

1）回归模型、分类模型：（人工大猩猩部队优化算法优化支持向量机-CSDN博客）