目录
0 引言
为了提高BA算法的全局性能,Redouane Boudjemaa等人提出分数阶Levy飞行策略(FLF)优化BA算法,平衡全局和局部开发同时,同时引入DE改进版本来激发BA搜索空间的随机性,因此FLFBA理论优化了BA算法搜索和开发性能。
1 数学模型
FLFBA是在BA基础上引入飞行策略、分数阶飞行策略和DE改进版本,以下是对这类策略优化数学模型构建:
(1)分数阶飞行策略:为了设计一种能够调整自己,以适应适应度函数全局化算法,提出基于分数阶微积分飞行策略。以下是其对应数学模型。
式中(25)和(26)是引入飞行策略的蝙蝠在不同概率的俩种位置更新(飞行策略和分数阶飞行策略),其中s为俩只局部最优蝙蝠之间差值修正,u、v为飞行参数,符合正态策略,具体模型见下式
式中β是常数项,常取3/2;Γ 是定义函数,见下式子
(2)速度跟新:改进策略采用DE和分数阶微积分更新蝙蝠速度更新,具体数学模型见下式:
式(27)为分数阶微积分的蝙蝠速度更新,其中Sk为0到10阶随机选择的分数阶导数的阶数。见下式(17);式(22)是对分数阶改进蝙蝠速度进行DE操作得到新的速度更新,式中Vi为式(27)的值,ξ t 1和ξ t 2是[0,1]范围内的学习因子。
(3)局部搜索和Levy飞行结合:提高BA算法搜索精度
式(31)为飞行策略改进响度,其中Ai、A(-)为响度和平均响度。
2 模型对比
对比BA和FLFBA优化支持向量机的模型性能,由于支持向量机训练组数随机性,故对DBO和IDBO采用相同随机组数:具体代码如下:
%% WOA训练随机性
temp = randperm(length(Data))
%%IWOA训练随机性
temp1 = temp
模型数据来源UCI二分类数据集,误差分别如下:
FLFBA-SVM:
BA-SVM:
3 matlab代码
3.1 伪代码
3.2 FLFBA-SVM
1)回归预测:回归模型:改进的蝙蝠算法优化支持向量机(FLFBA-SVR)
3)分类模型:分类模型:改进的蝙蝠算法优化支持向量机(FLFBA-SVM)
4 视频讲解
B站搜索:‘ 不想学习的陈成 ’