萤火虫算法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 FA主函数代码

3.3 FA-SVM/SVR

0 引言

萤火虫算法（Firefy Algorithm，FA）是由学者Yang于2008年提出一种元启发式算法，该算法模仿自然界中萤火虫成虫发光特性的随机优化算发，通过萤火虫彼此吸引并赋予问题解答作为目标值，从而来得到最佳的目标值。

1 数学模型

FA的数学模型主要对萤火虫相互吸引过程进行数学模型构建，萤火虫相互吸引取决自身亮度和吸引度。其中，萤火虫发出荧光的亮度取决于自身所在位置的目标值，亮度越高表示所处的位置越好，即目标值越佳。吸引度与亮度有关，愈亮的萤火虫拥有愈高的吸引力，可吸引视线范围内亮度比其弱的萤虫往这个方向移动 。如果发光亮度相同，则萤火虫各自随机移动；具体模型如下：

1）定义亮度和吸引度：萤火虫相互吸引取决自身亮度和吸引度，其模型如下：

式中I0为初始亮度，γ为亮度损失因素，r为两个萤火虫之间的距离；β0为初始吸引度。

2）萤火虫的距离：采用欧几里得距离计算，具体如下：

式中问题的维度由“n”表示。si为第i个频率的萤火虫

3）萤火虫的移动：萤火虫ｉ被吸引向萤火虫ｊ移动的位置更新，具体模型构建如下：

式中rij为萤火虫ｉ，ｊ之间的距离。α为步长因子，∈i为高斯分布的随机数向量；

2 优化方式

前篇对支持向量机（支持向量机原理及MATLAB代码复现-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FA原理介绍，可以将支持向量机的超参数作为萤火虫个体位置，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萤火虫的亮度进行相互吸引，模拟萤火虫的移动策略，更新下一代萤火虫个体。

3 MATLAB代码

3.1 伪代码

3.2 FA主函数代码

%%FA的主函数
% 基础参数
beta0 = 2;
gama = 1;
alpha = 0.2;

damx = norm(ub - lb); %二范数

% 初始化
x = initialization(fa_pop, ub, lb, dim);
Fitness = zeros (1,fa_pop);

for i = 1: fa_pop
    Fitness (i) = fun(x,net);
end
[~,index] = min(Fitness);
global_Best_pos = x(index,:);
global_Best_score = Fitness(index);

x_nex = x;

% 主函数，确定萤火虫亮度和位置
for t = 1: fa_maxter
    for i = 1: fa_pop
        for j = 1: fa_pop
            if Fitness(j)< Fitness(i)
                r_ij = norm(x(i,:)- x(j,:))./damx;
                beta = beta0* exp(-gama*r_ij^2);
                pos_new = x(i,:)+ beta* (x(j,:)-x(i,:))+alpha.*rand(1,dim);
                pos_new = boundary(pos_new,ub,lb,dim);
                Fitness_new = fun(pos_new,net);
                if Fitness_new <Fitness(i)
                    x_nex(i,:) = pos_new;
                    Fitness(i) = Fitness_new;
                    if Fitness_new < global_Best_score
                        global_Best_score = Fitness_new;
                        global_Best_pos = pos_new;
                    end
                end
            end
        end
    end
    x_double= [x;x_nex];
    for i = 1: 2 * fa_pop
        Fitness_double(i) = fun(x_double(i,:),net);
    end
    [~,Sortindex] = sort(Fitness_double);
    for k =1: fa_pop
        x(k,:) = x_double(Sortindex(k),:);
    end

    Intercure(t) = global_Best_score;
end
Best_pos = global_Best_pos;
Best_score = global_Best_score;

end

3.3 FA-SVM/SVR

萤火虫算法优化支持向量机的回归预测模型和分类模型的MATLAB代码：

（萤火虫算法（FA）优化支持向量机的MATLAB代码复现-CSDN博客）