目录
0 引言
目前多篇论文表示麻雀搜索算法在全局搜索和收敛速度仍存在很大提升空间,储如意和汪权在2024年首次提出引入多种策略来改进优化SSA,提高模型全局搜索性能和收敛速度。改进策略分别有引入Circle混沌映射提高模型初始化,其次在生产者的位置更新中加入了正余弦算法策略增强前期的全局后期的局部寻优,最后在拾荒者位置更新中引入Lévy飞行策略体现随机搜索的目的,有助于提高收敛速度。
1 数学模型
MISSA是在SSA基础上引入Circle混沌映射、正余弦算法策略、Lévy飞行策略多种策略来提高模型综合性能。
1)改进的 Circle 混沌映射初始化种群:速度
式(1)为Circle混沌映射初始化种群数学模型,式(2)为改进的Circle混沌映射初始化种群数学函数;其中mod为取余函数,k为种群数,d1、d2、d3为参数,以下改进前、后 Circle 混沌映射分布图分别如图 1(a)、1(b)所示
2)正余弦算法策略优化生产者者位置更新:SSA 的生产者更新公式中,在迭代过程中搜索范围减小,易陷入局部,从而产生的解为局部最优解,为尽可能避免此问题, 可借鉴正余弦算法,加入非线性递减因子来改进易陷入局部最优劣势。
式中t为当前迭代,Tmax为最大迭代,ωmin和ωmax为因子边界,常取值0.2和1,r1 为[0,2π]上的随机数,r2 为 [0,2] 上 的随机数,R2∈[0,1] 为预警值,ST∈[0.5,1]为安全,R2<ST则表示安全。
3)Lévy飞行策略改进拾荒者位置更新:该策略是一种随机游走过程,在这种模式下,麻雀个体可以较大的概率进行较大范围的搜寻食物。
式(5)为Lévy飞行策略,其中 r3 r4 均为[0,1]上的随机数,ξ取 1.5;σ由式(6)确定,其中Γ为为阶乘。
4)其他数学模型参考:麻雀搜索算法(SSA)优化支持向量机原理及matlab代码-CSDN博客
2 模型对比
对比SSA和MISSA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:
%% SSA训练随机性
temp = randperm(length(Data))
%%MISSA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:
MISSA-SVM:
SSA-SVM:
3 matlab代码
3.1 MISSA-SVM
1)回归模型:回归模型:多策略改进的麻雀算法优化支持向量机模型(MISSA-SVR)
2)分类模型:分类模型:多策略改进的麻雀算法优化支持向量机模型(MISSA-SVM)
4 视频讲解
B站搜索:‘ 不想学习的陈成 ’