1 简介

麻 雀 搜 索 算 法 (ｓｐａｒｒｏｗ ｓｅａｒｃｈ ａｌｇｏｒｉｔｈｍ，ＳＳＡ)提 出 时 间 是2020年，它 是 根 据 麻 雀 觅 食并逃避捕食者的行为而提出的群智能优化算法。麻雀搜索算法主要模拟了麻雀群觅食的过程。每只麻雀都有３种可能的行为：发现者：搜索食物；加入者：跟随发现 者 觅 食；侦 察 者：警 戒 侦 查。其 中，发 现 者是麻雀中找 到 食 物 较 早 的 个 体，加入者则为其他个体，同时在麻雀种群中还有一定比例的个体进行侦查预警，它们的任务是在发现危险的情况下就放弃食物，选择安全第一。

【预测模型】基于麻雀搜索算法优化核极限学习机实现数据分类matlab代码_搜索算法

【预测模型】基于麻雀搜索算法优化核极限学习机实现数据分类matlab代码_建模_02

工业过程常含有显著的非线性,时变等复杂特性,传统的核极限学习机有时无法充分利用数据信息,所建软测量模型预测性能较差.为了提高核极限学习机的泛化能力和预测精度,提出一种麻雀搜索优化的核极限学习机软测量建模方法.通过麻雀搜索算法优化极限学习机的惩罚系数和核宽,得到一组最优超参数;最后将该方法应用于脱丁烷塔过程软测量建模中.仿真结果表明,优化后的核极限学习机模型预测精度有明显的提高,验证了所提方法不仅是可行的,而且具有良好的预测精度和泛化性能.

2 部分代码


          
          

           
           %_________________________________________________________________________________
  • 1.
  • 1.

          
          

           
           %____________________________________________________________________________________
  • 1.
  • 1.

          
          

           
           function [FoodFitness,FoodPosition,Convergence_curve]=SSA(N,Max_iter,lb,ub,dim,fobj)
  • 1.

          
          

           
           if size(ub,1)==1
  • 1.

          
          

           
           ub=ones(dim,1)*ub;
  • 1.

          
          

           
           lb=ones(dim,1)*lb;
  • 1.

          
          

           
           end
  • 1.

          
          

           
           Convergence_curve = zeros(1,Max_iter);
  • 1.

          
          

           
           %Initialize the positions of salps
  • 1.

          
          

           
           SalpPositions=initialization(N,dim,ub,lb);
  • 1.

          
          

           
           FoodPosition=zeros(1,dim);
  • 1.

          
          

           
           FoodFitness=inf;
  • 1.

          
          

           
           %calculate the fitness of initial salps
  • 1.

          
          

           
           for i=1:size(SalpPositions,1)
  • 1.

          
          

           
           SalpFitness(1,i)=fobj(SalpPositions(i,:));
  • 1.

          
          

           
           end
  • 1.

          
          

           
           [sorted_salps_fitness,sorted_indexes]=sort(SalpFitness);
  • 1.

          
          

           
           for newindex=1:N
  • 1.

          
          

           
           Sorted_salps(newindex,:)=SalpPositions(sorted_indexes(newindex),:);
  • 1.

          
          

           
           end
  • 1.

          
          

           
           FoodPosition=Sorted_salps(1,:);
  • 1.

          
          

           
           FoodFitness=sorted_salps_fitness(1);
  • 1.

          
          

           
           %Main loop
  • 1.

          
          

           
           l=2; % start from the second iteration since the first iteration was dedicated to calculating the fitness of salps
  • 1.

          
          

           
           while l<Max_iter+1
  • 1.

          
          

           
           c1 = 2*exp(-(4*l/Max_iter)^2); % Eq. (3.2) in the paper
  • 1.

          
          

           
           for i=1:size(SalpPositions,1)
  • 1.

          
          

           
           SalpPositions= SalpPositions';
  • 1.

          
          

           
           if i<=N/2
  • 1.

          
          

           
           for j=1:1:dim
  • 1.

          
          

           
           c2=rand();
  • 1.

          
          

           
           c3=rand();
  • 1.

          
          

           
           %%%%%%%%%%%%% % Eq. (3.1) in the paper %%%%%%%%%%%%%%
  • 1.

          
          

           
           if c3<0.5
  • 1.

          
          

           
           SalpPositions(j,i)=FoodPosition(j)+c1*((ub(j)-lb(j))*c2+lb(j));
  • 1.

          
          

           
           else
  • 1.

          
          

           
           SalpPositions(j,i)=FoodPosition(j)-c1*((ub(j)-lb(j))*c2+lb(j));
  • 1.

          
          

           
           end
  • 1.

          
          

           
           %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
  • 1.

          
          

           
           end
  • 1.

          
          

           
           elseif i>N/2 && i<N+1
  • 1.

          
          

           
           point1=SalpPositions(:,i-1);
  • 1.

          
          

           
           point2=SalpPositions(:,i);
  • 1.

          
          

           
           SalpPositions(:,i)=(point2+point1)/2; % % Eq. (3.4) in the paper
  • 1.

          
          

           
           end
  • 1.

          
          

           
           SalpPositions= SalpPositions';
  • 1.

          
          

           
           end
  • 1.

          
          

           
           for i=1:size(SalpPositions,1)
  • 1.

          
          

           
           Tp=SalpPositions(i,:)>ub';Tm=SalpPositions(i,:)<lb';SalpPositions(i,:)=(SalpPositions(i,:).*(~(Tp+Tm)))+ub'.*Tp+lb'.*Tm;
  • 1.

          
          

           
           SalpFitness(1,i)=fobj(SalpPositions(i,:));
  • 1.

          
          

           
           if SalpFitness(1,i)<FoodFitness
  • 1.

          
          

           
           FoodPosition=SalpPositions(i,:);
  • 1.

          
          

           
           FoodFitness=SalpFitness(1,i);
  • 1.

          
          

           
           end
  • 1.

          
          

           
           end
  • 1.

          
          

           
           Convergence_curve(l)=FoodFitness;
  • 1.

          
          

           
           l = l + 1;
  • 1.

          
          

           
           end
  • 1.

3 仿真结果

【预测模型】基于麻雀搜索算法优化核极限学习机实现数据分类matlab代码_搜索算法_03

【预测模型】基于麻雀搜索算法优化核极限学习机实现数据分类matlab代码_泛化_04

4 参考文献

[1]马晨佩, 李明辉, 巩强令, & 杨白月. (2021). 基于麻雀搜索算法优化支持向量机的滚动轴承故障诊断. 科学技术与工程, 21(10), 5.

[2]盛晓晨, 史旭东, 熊伟丽. 改进粒子群优化的极限学习机软测量建模方法[J]. 计算机应用研究, 2020, 37(6):5.

部分理论引用网络文献，若有侵权联系博主删除。

【预测模型】基于麻雀搜索算法优化核极限学习机实现数据分类matlab代码_建模_05