【SVM分类】基于萤火虫算法优化支持向量机实现数据分类附matlab代码

最新推荐文章于 2023-03-09 07:33:21 发布

matlab科研助手

最新推荐文章于 2023-03-09 07:33:21 发布

阅读量584

点赞数

分类专栏：机器学习组合优化系列matlab完整代码文章标签：算法

本文链接：https://blog.csdn.net/matlab_dingdang/article/details/123421868

版权

机器学习组合优化系列matlab完整代码专栏收录该内容

448 篇文章 89 订阅

订阅专栏

1 简介

本文提出了一种萤火虫算法改进的支持向量机数据分类模型。

自然界中多数种类的萤火虫都有发光的特性，基本萤火虫算法即是通过模拟自然界中萤火虫的发光行为构建的智能优化算法，其假设：

（１）算法中的萤火虫没有性别之分，每一只萤火虫都可被其他萤火虫个体吸引。

（２）萤火虫自身的光亮程度与对其他萤火虫的吸引程度成正比例关系，并且，随着距离增大其吸引程度减少。

（３）萤火虫亮度与优化目标函数的性质相关。在基本萤火虫算法中，搜索和优化过程模拟的是萤火虫个体的吸引和移动过程，用优化目标函数值的大小来衡量萤火虫个体位置的优劣，个体位置的优胜劣汰过程也即求解算法过程中可行解的巡游过程。利用萤火虫算法求解过程中的关键参数定义：

2 部分代码

%% 清空环境变量clc;clear;%% 初始化参数domx = [-3, 3; -3, 3];       % 定义域rho = 0.9;                   % 荧光素挥发因子gamma = 0.1;                 % 适应度提取比例beta = 0.58;                 % 邻域变化率nt = 6;                      % 邻域阀值(邻域萤火虫数)s = 0.03;                    % 步长iot0 = 400;                  % 荧光素初始浓度rs = 3;                      % 感知半径r0 = 3;                      % 决策半径m = size(domx, 1);           % 函数空间维数n = 50;                      % 萤火虫数量gaddress = zeros(n, m);      % 分配萤火虫地址空间gvalue = zeros(n, 1);        % 分配适应度存放空间ioti = zeros(n, 1);          % 分配荧光素存放空间rdi = zeros(n, 1);           % 分配萤火虫决策半径存放空间%% 萤火虫常量初始化% 初始化地址for i = 1:m    gaddress(:, i) = domx(i, 1)+(domx(i, 2)-domx(i, 1))*rand(n, 1);end% 初始化荧光素浓度ioti(:, 1) = iot0;% 初始化决策半径rdi(:, 1) = r0;iter_max = 500;            % 最大迭代次数t = 1;                     % 迭代计数器yy = zeros(iter_max, 1);   % 各代最优解%% 迭代寻优while t <= iter_max    % 更新荧光素浓度    ioti = (1-rho)*ioti+gamma*fun(gaddress);    % 各萤火虫移动过程开始    for i = 1:n        % 决策半径内找更优点        Nit = [];                 % 存放萤火虫序号        for j = 1:n            if norm(gaddress(j, :)-gaddress(i, :)) < rdi(i) && ioti(i, 1) < ioti(j, 1)                Nit(numel(Nit)+1) = j;            end        end        % 找下一步移动的点开始        if ~isempty(Nit)                       Nitioti = ioti(Nit, 1);              % 选出Nit荧光素            SumNitioti = sum(Nitioti);           % Nit荧光素和            Molecular = Nitioti-ioti(i, 1);      % 分子            Denominator = SumNitioti-ioti(i, 1); % 分母            Pij = Molecular./Denominator;   % 计算Nit各元素被选择概率            Pij = cumsum(Pij);        % 累计            Pij = Pij./Pij(end);      % 归一化            Pos = find(rand < Pij);   % 确定位置            j = Nit(Pos(1));          % 确定j的位置            % 萤火虫i向j移动一小步            gaddress(i, :) = gaddress(i, :)+s*(gaddress(j, :)-gaddress(i, :))/norm(gaddress(j, :)-gaddress(i, :));            % 边界处理(限制范围)            gaddress(i, :) = min(gaddress(i, :), domx(1, 2));                    gaddress(i, :) = max(gaddress(i, :), domx(1, 1));             % 更新决策半径            rdi(i) = rdi(i)+beta*(nt-length(Nit));            if rdi(i, 1) < 0                rdi(i, 1) = 0;            end            if rdi(i, 1) > rs                rdi(i, 1) = rs;            end        end    end    % 每代最优解存入yy数组内    yy(t) = max(fun(gaddress));    % 迭代次数+1    t = t+1;end%% 结果显示gvalue = fun(gaddress);               % 求各个萤火虫的值disp('最大值为：')num = find(gvalue == max(gvalue));    % 最大值序号MaxValue = max(gvalue)disp('最优解为：')BestAddress = gaddress(num, :)figure;plot(yy, 'r', 'linewidth', 2)xlabel ('迭代次数'); ylabel( '函数值');title( 'GSO算法各代最优解变化');