飞行策略改进的蝙蝠算法（FLFBA）优化支持向量机原理及matlab代码

目录

0 引言

1 数学模型

2 模型对比

3 matlab代码

3.1 伪代码

3.2 FLFBA-SVM

4 视频讲解

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 ’