【LSSVM回归预测】鸽群算法优化最小二乘支持向量机PIO-LSSVM数据回归预测【含Matlab源码 2237期】

⛄一、运行结果

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭：行百里者，半于九十。

更多Matlab仿真内容点击👇
Matlab图像处理（进阶版）
路径规划（Matlab）
神经网络预测与分类（Matlab）
优化求解（Matlab）
语音处理（Matlab）
信号处理（Matlab）
车间调度（Matlab）

⛄二、鸽群算法简介

基于鸽群在归巢过程中的特殊导航行为,Duan等提出了一种仿生群体智能优化算法———鸽群优化算法.在这个算法中,通过模仿鸽子在寻找目标的不同阶段使用不同导航工具这一机制,提出了2种不同的算子模型:

1)地图和指南针算子(map and compass operator).鸽子可以使用磁性物体感知地磁场,然后在头脑中形成地图.它们把太阳高度作为指南针来调整飞行方向,当它们接近目的地的时候,它们对太阳和磁性物体的依赖性便减小.

2)地标算子(landmark operator).地标算子用来模拟导航工具中地标对鸽子的影响.当鸽子飞近目的地时,它们将更多依赖附近的地标.如果鸽子对地标熟悉,将直接飞向目的地.否则,它们将跟随那些对地标熟悉的鸽子飞行.

在鸽群优化模型中,使用虚拟的鸽子模拟导航过程.依据地图和指南针算子(如图2所示)的原理,初始化鸽子的位置和速度,并且在多维搜索空间中,鸽子的位置和速度在每一次迭代中都会得到更新.其位置和速度分别记作

图2 地图和指南针算子模型

式中i=1,2,…,N.每只鸽子依据

更新其位置Xi及速度Vi.式中:R是地图和指南针因数,取值范围设定成0_{1;rand是取值范围在0}1的随机数;Nc是目前迭代次数;Xgbest是在Nc-1次迭代循环后,通过比较所有鸽子的位置得到的全局最优位置.当该循环次数达到所要求的迭代次数后即停止地图和指南针算子的工作,进入地标算子中继续工作.

如图3所示,在地标算子中,每一次迭代后鸽子的数量都会减少一半.那些远离目的地的鸽子对地标不熟悉,它们将不再有分辨路径的能力,因而被舍去.Xcenter是剩余鸽子的中心位置,将被当作地标,即作为飞行的参考方向,由此依据下列方程:

对鸽子的位置Xi进行更新.其中

同样,以上迭代循环至最大迭代次数后,地标算子也停止工作.

图3 地标算子模型

⛄三、部分源代码

clc
close all
clear
format long

tic
%==============================================================
%%导入数据
data=xlsread(‘1.xlsx’);
[row,col]=size(data);
x=data(:,1:col-1);
y=data(:,col);
set=1; %设置测量样本数
row1=row-set;%
train_x=x(1:row1,:);
train_y=y(1:row1,:);
test_x=x(row1+1:row,:);%预测输入
test_y=y(row1+1:row,:);%预测输出
train_x=train_x’;
train_y=train_y’;
test_x=test_x’;
test_y=test_y’;

%%数据归一化
[train_x,minx,maxx, train_yy,miny,maxy] =premnmx(train_x,train_y);
test_x=tramnmx(test_x,minx,maxx);
train_x=train_x’;
train_yy=train_yy’;
train_y=train_y’;
test_x=test_x’;
test_y=test_y’;
%% 参数初始化
lb=[0.1 0.01];%参数c g的变化的最小值.
ub=[1000 100];%参数c g的变化的最大值.
maxgen=100; % 进化次数 300
sizepop=10; % 种群规模30
dim=2;
%%定义lssvm相关参数
type=‘f’;
kernel = ‘RBF_kernel’;
proprecess=‘proprecess’;
fitness=@(x)fobj(x,train_x,train_yy,type,kernel,proprecess,test_x,test_y,miny,maxy,train_y);

[ global_fitness,global_x,fit_gen]=PIO(sizepop,maxgen,lb,ub,dim,fitness);
%% 结果分析
plot(fit_gen,‘LineWidth’,2);
title([‘鸽群算法优化lssvm适应度曲线’,‘(终止代数=’,num2str(maxgen),‘)’],‘FontSize’,13);
xlabel(‘进化代数’);ylabel(‘误差适应度’);

bestc = global_x(1);
bestg = global_x(2);

gam=bestc;
sig2=bestg;
model=initlssvm(train_x,train_yy,type,gam,sig2,kernel,proprecess);%原来是显示
model=trainlssvm(model);%原来是显示
%求出训练集和测试集的预测值
[train_predict_y,zt,model]=simlssvm(model,train_x);
[test_predict_y,zt,model]=simlssvm(model,test_x);
%预测数据反归一化
train_predict=postmnmx(train_predict_y,miny,maxy);%预测输出
test_predict=postmnmx(test_predict_y,miny,maxy);
%计算均方差
trainmse=sum((train_predict-train_y).^2)/length(train_y)
%testmse=sum((test_predict-test_y).^2)/length(test_y)

for i=1:set
RD(i)=(test_predict(i)-test_y(i))/test_y(i)*100;
end
for i=1:set
D(i)=test_predict(i)-test_y(i);
end

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]段海滨,叶飞.鸽群优化算法研究进展[J].北京工业大学学报. 2017,43(01)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合