粒子群算法（PSO）优化支持向量机原理及Matlab代码

目录

0 引言

1 数学模型

2 优化方式

3 Matlab代码

3.1 伪代码

3.2 PSO主函数代码

3.3 PSO-SVM

4 视频讲解

0 引言

粒子群优化算法(Particle swarm optimization，PSO)是1995 年由Eberhart 博士和kennedy 博士提出进化群智能算法，源于对信息循环和鸟群捕食的行为研究 。该算法是对鸟类群体中的个体对信息的共享，使整个群体的运动在问题求解空间中产生从无序到有序的演化过程，从而获得最优解。

1 数学模型

PSO数学模型主要将鸟群抽象看成粒子形式，并赋予其位置和速度这俩个属性进行鸟群捕食时位置的产生，见其与猎物的差距赋予适应度表示，从而不断更新其自身位置。主要进行下式模型：

1）初始化：初始化粒子的速度、位置、个体最优适应度、全体最优适应度。

式（2）为种群位置初始值，其中i为种群数，D为数学维度，式（1）位置最优适应度值和目标适应度对比，选出个体和全局最有个体，速度初始值假设为一致数值=。

2）粒子位置更新：粒子的运动方程轨迹。

3）粒子速度更新：速度向量控制着粒子在搜索空间中移动的方式，其中该方程主要由记忆项、自身认知项和群体认知项组成。

式C1为个体学习因子，C2为群体的学习因子，P为个体最优位置，g为群体最优位置，R1R2为随机因子。

3）PSO速度标准形式：基于上述研究，可以法上速度更新容易出现速度爆炸形式，通过引入惯性因子调整速度动态形式，其式子如下：

4）边界处理：粒子移动到超过搜索空间的极限时需引入了一个速度阈值，其数学模型见下式：

2 优化方式

前篇对支持向量机（支持向量机原理及matlab代码讲解（分类SVM和回归SVR）-CSDN博客）原理讲解，从支持向量机模型运算过程中，可以了解到模型高维映射核函数参数g和处罚因子c对模型预测结果影响最为重要。因此结合上述PSO原理介绍，可以将支持向量机参数c和g作为鸟类种群，每一个种群对应支持向量机的预测值，将这个预测值作为适应度进行鸟类粒子的上述活动。

3 Matlab代码

3.1 伪代码

3.2 PSO主函数代码

%%
%SYD  适应度函数
%dim  问题维度
%nPop 种群
%MaxIt 最大迭代次数

% PSO参数
CostFunction=@(x) SYD(x);        
nVar=dim;           
VarSize=[1 nVar];   
VarMin=[0.001,5,0.0001];       
VarMax= [0.01,20,0.01];       

w=1;            % 惯性权重
wdamp=0.99;     % 惯性权重阻尼比
c1=1.5;         % 个体学习因子
c2=2.0;         % 全体学习因子

VelMax=0.1*(VarMax-VarMin);
VelMin=-VelMax;

%% 初始化
empty_particle.Position=[];
empty_particle.Cost=[];
empty_particle.Velocity=[];
empty_particle.Best.Position=[];
empty_particle.Best.Cost=[];
particle=repmat(empty_particle,nPop,1);
GlobalBest.Cost=inf;

for i=1:nPop
    
    % 初始化种群位置
    particle(i).Position=unifrnd(VarMin,VarMax,VarSize);
    
    % 初始化速度
    particle(i).Velocity=zeros(VarSize);
    
    % 初始化适应度
    particle(i).Cost=CostFunction(particle(i).Position);
    
    % 更新个体最优位置
    particle(i).Best.Position=particle(i).Position;
    particle(i).Best.Cost=particle(i).Cost;
    
    % 更新全局最优位置
    if particle(i).Best.Cost<GlobalBest.Cost
        
        GlobalBest=particle(i).Best;
        
    end
    
end
BestCost=zeros(MaxIt,1);

%% PSO主函数
for it=1:MaxIt
    
    for i=1:nPop
        
        % 更新速度
        particle(i).Velocity = w*particle(i).Velocity ...
            +c1*rand(VarSize).*(particle(i).Best.Position-particle(i).Position) ...
            +c2*rand(VarSize).*(GlobalBest.Position-particle(i).Position);
        
        % 速度边界
        particle(i).Velocity = max(particle(i).Velocity,VelMin);
        particle(i).Velocity = min(particle(i).Velocity,VelMax);
        
        % 更新位置
        particle(i).Position = particle(i).Position + particle(i).Velocity;
        
        % 超边界处理
        IsOutside=(particle(i).Position<VarMin | particle(i).Position>VarMax);
        particle(i).Velocity(IsOutside)=-particle(i).Velocity(IsOutside);
        
        % 位置限制
        particle(i).Position = max(particle(i).Position,VarMin);
        particle(i).Position = min(particle(i).Position,VarMax);
        
        % 适应度
        particle(i).Cost = CostFunction(particle(i).Position);
        
        % 更新个体最优位置
        if particle(i).Cost<particle(i).Best.Cost
            
            particle(i).Best.Position=particle(i).Position;
            particle(i).Best.Cost=particle(i).Cost;
            
            % 更新全局最优位置
            if particle(i).Best.Cost<GlobalBest.Cost
                
                GlobalBest=particle(i).Best;
                
            end
            
        end
        
    end
    
    BestCost(it)=GlobalBest.Cost;
    
    w=w*wdamp;
    
end

3.3 PSO-SVM

1）回归模型：回归模型：粒子群算法优化支持向量机模型（PSO-SVR）

2）分类模型：分类模型：粒子群算法优化支持向量机模型（PSO-SVM）

4 视频讲解

B站搜索：‘不想学习的陈成’