目录
0 引言
基于已发表智能算法文献研究,Seyedali Mirjalili等人在发现PSO的开发能力与GSA的探索能力有者较好结合性能,因此基于二者算法优势点提出混合算法PSOGSA。该算法主要利用PSO鸟类在全局和局部最优位置的速度和位置模型有引入GSA粒子基于其他粒子位置和距离更新自身位置的数学模型中,有利于提高GSA的收敛速度。
1 数学模型
PSOGSA主要集合PSO开发能力和GSA探索能力,从而实现问题优化,其主要模型见下式:
1)PSOGSA探索阶段:该模型主要利用GSA探索阶段,从而得到[PSOGSA的加速度a:
式(6)为GSA加速度计算,Mii为粒子的质量,模型中为粒子适应度,Fid为粒子的总吸引力,其式见式(5),Fij为俩个粒子之间万有引力,其式见式(3),Rij为粒子之间欧氏距离,G为重力,其式见式(4),iter为当前迭代次数,maxiter为最大迭代次数,G0为重力初始值,α为下降系数。
2)PSOGSA的开发阶段:主要基于GSA探索阶段得到加速度后,利用PSO鸟类基于全局位置及局部位置来更新自身位置特点应用到GSA开发阶段中,从而优化GSA,其数学模型见下式:
式(9)为PSOGSA算法速度更新,ω为加权函数,Vi为速度,c1,c2为加权因子,gbest为全局最优粒子位置,X为当前粒子位置,其式见式(10).
2 模型对比
对比PSO、GSA和PSOGSA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:
%% PSO训练随机性
temp = randperm(length(Data))
%%GSA训练随机性
temp1 = temp
%%PSOGSA训练随机性
temp2 = temp
模型数据来源UCI二分类数据集:
PSOGSA-SVM:
PSO-SVM:
GSA-SVM:
3 matlab代码
3.1 伪代码示意图
3.2 PSOGSA-SVM
1)回归模型:回归模型:粒子群算法和引力搜索算法的混合算法优化支持向量机(PSOGSA-SVR)
2)分类模型:分类模型:粒子群算法和引力搜索算法的混合算法优化支持向量机(PSOGSA-SVM)
4 视频讲解
B站搜索:‘ 不想学习的陈成 ’