【LSSVM回归预测】狮群算法优化最小二乘支持向量机LSO-LSSVM数据回归预测【含Matlab源码 2261期】

最新推荐文章于 2024-09-30 23:41:42 发布

Matlab武动乾坤

最新推荐文章于 2024-09-30 23:41:42 发布

阅读量34

点赞数

分类专栏： Matlab神经网络预测与分类（中级版）文章标签： matlab

本文链接：https://blog.csdn.net/KeepingMatlab/article/details/134299573

版权

Matlab神经网络预测与分类（中级版）专栏收录该内容

918 篇文章 8 订阅

订阅专栏

⛄一、运行结果

在这里插入图片描述

✅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。

⛄二、狮群算法简介

狮群优化算法(lion swarm optimization algorithm, LSO)是在狮群协作捕猎的基础上提出的一种群智能优化算法。狮群算法将狮群分成3个部分：狮王、母狮、幼狮。狮王是具有最佳适应度值的个体。一定数量的个体分配为母狮，一只母狮和另一只母狮合作进行捕猎，在捕食猎物时，先大范围地进行勘探，靠近猎物时，逐步缩小包围圈，猎杀食物。幼狮也称为跟随狮，主要跟随狮王和母狮进行活动。

狮王的更新公式如下：

xk+1i=gk(1+γ‖pki-gk‖), (1)

式中：pki为第i个狮子第k代的历史最优位置，gk为第k代群体最优位置，γ为依照正态分布N(0,1)产生的随机数。

母狮的更新公式如下：
在这里插入图片描述
式中：pki为第i个狮子第k代的历史最优位置，pkc为从第k代母狮中随机挑选的一个协作伙伴的历史最优位置，αf为扰动因子，l¯和h¯分别为各个维度取值范围的上限均值和下限均值，T为最大迭代次数。

幼狮的活动分为3种：在饥饿时靠近狮王进行捕食；吃饱后跟随母狮学习捕猎；成年后被狮王赶出领地成为流浪狮，历经锻炼后重新向狮王的地位发起挑战。幼狮的位置更新公式如下：
在这里插入图片描述
式中：αc为扰动因子；γ为依照正态分布N(0,1)产生的随机数；pki为第i个狮子第k代的历史最优位置；gk为第k代群体最优位置；pkm为幼狮跟随母狮的第k代历史最优位置；g¯k=l¯+h¯−gk,为第k个幼狮在捕猎范围内被驱赶的位置；g¯k在远离狮王的位置，是一种典型的精英反向学习思想；T为最大迭代次数。

⛄三、部分源代码

clc
close all
clear
format long
tic
%==============================================================
%%导入数据
% data=xlsread(‘1.xlsx’);
load data1.mat
data=attributes2;
[row,col]=size(data);
x=data(:,1:col-1);
y=data(:,col);
set=round(row*0.8); %设置测量样本数
row1=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
eps = 10^(-6);
%%定义lssvm相关参数
type=‘f’;
kernel = ‘RBF_kernel’;
proprecess=‘proprecess’;
%%
%统计结果
pop=30; % 种群数量
Max_iter=50; % 设定最大迭代次数
beta = 0.5;%成年狮所占比列
Nc = round(pop*beta);%成年狮数量
Np = pop-Nc;%幼师数量
lb=[0.01 0.02];%参数c、g的变化的下限
ub=[1000 100];%参数c、g的变化的上限
dim=2;%维度，即一个优化参数
if(max(size(ub)) == 1)
ub = ub.*ones(1,dim);
lb = lb.*ones(1,dim);
end

%种群初始化
X0=initialization(pop,dim,ub,lb);
X = X0;
%计算初始适应度值
fitness = zeros(1,pop);
for i = 1:pop
[ TestingAccuracy] =Fun( X(i,:),train_x,train_yy,type,kernel,proprecess,miny,maxy,train_y,test_x,test_y);
fitness(i) = TestingAccuracy;
end
[value, index]= min(fitness);%找最小值
GBestF = value;%全局最优适应度值
GBestX = X(index,:);%全局最优位置
curve=zeros(1,Max_iter);
XhisBest = X;
fithisBest = fitness;
indexBest = index;
gbest = GBestX;
for t = 1: Max_iter
t
%母狮移动范围扰动因子计算
stepf = 0.1*(mean(ub) - mean(lb));
alphaf = stepfexp(-30t/Max_iter)^10;
%幼狮移动范围扰动因子计算
alpha = (Max_iter - t)/Max_iter;
%母狮位置更新
for i = 1:Nc
index = i;
while(index == i)
index = randi(Nc);%随机挑选一只母狮
end
X(i,:) = (X(i,:) + X(index,:)).*(1 + alphaf.randn())./2;
end
%幼师位置更新
for i = Nc+1:pop
q=rand;
if q<=1/3
X(i,:) = (gbest + XhisBest(i,:)).( 1 + alpha.*randn())/2;
elseif q>1/3&&q<2/3
indexT = i;
while indexT == i
indexT = randi(Nc) + pop - Nc;%随机位置
end

        X(i,:) = (X(indexT,:) + XhisBest(i,:)).*( 1 + alpha.*randn())/2;
    else
        gbestT = ub + lb - gbest;
        X(i,:) = (gbestT + XhisBest(i,:)).*( 1 + alpha.*randn())/2;
    end
end
%边界控制
for j = 1:pop
    for a = 1: dim
        if(X(j,a)>ub)
            X(j,a) =ub(a);
        end
        if(X(j,a)<lb)
            X(j,a) =lb(a);
        end
    end
end
%计算适应度值
for j=1:pop
      [ TestingAccuracy] =Fun( X(j,:),train_x,train_yy,type,kernel,proprecess,miny,maxy,train_y,test_x,test_y);
    fitness(j) = TestingAccuracy;

    if(fitness(j)<fithisBest(j))
        XhisBest(j,:) = X(j,:);
        fithisBest(j) = fitness(j);
    end
    if(fitness(j) <GBestF)
        GBestF = fitness(j);
        GBestX = X(j,:);
        indexBest = j;
         curve(t) = GBestF;
    end
end

%% 狮王更新
Temp = gbest.*(1 + randn().*abs(XhisBest(indexBest,:) - gbest));
Temp(Temp>ub)=ub(Temp>ub);
Temp(Temp<lb) = lb(Temp<lb);
      [ TestingAccuracy] =Fun( Temp,train_x,train_yy,type,kernel,proprecess,miny,maxy,train_y,test_x,test_y);

fitTemp = TestingAccuracy;
if(fitTemp<GBestF)
    GBestF =fitTemp;
    GBestX = Temp;
    X(indexBest,:)=Temp;
    fitness(indexBest) = fitTemp;
    curve(t) = GBestF;
else
    curve(t) = GBestF;
end
[value, index]= min(fitness);%找最小值
gbest = X(index,:);%当前代，种群最优值

end

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]丁飞,江铭炎.基于改进狮群算法和BP神经网络模型的房价预测[J].山东大学学报(工学版). 2021,51(04)

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