这篇博客介绍了利用引力搜索算法（GSA）优化极限学习机（ELM）进行回归预测的方法。内容涵盖GSA算法原理，MATLAB源代码示例，以及运行结果展示。通过GSA调整ELM的权重和阈值，提高预测精度。文章还提供了MATLAB版本信息和相关参考文献。
⛄一、引力搜索算法简介
GSA是伊朗的克曼大学教授RASHEDI等于2009年提出的一种新型智能优化算法，算法灵感来源于粒子受万有引力的作用。它可以理解为众多的粒子向具有最大惯性质量的粒子不断靠近的过程。算法中，种群由惯性质量各不相同的粒子组成，每个粒子的位置对应问题的一个解，指引算法进行迭代优化的引力和惯性质量是由适应度函数值确定的。当种群中出现惯性质量大的粒子时，其他粒子都朝着惯性质量大的粒子运动，从而使算法收敛到最优解。
假设在n维搜索空间中有NP个粒子，则第i个粒子的位置表示为：
在第t次迭代时，种群中第j个粒子作用在第i个粒子上的引力表示为：
式中：Mi(t)和Mj(t)分别表示被作用粒子i和作用粒子j的惯性质量；Rij
订阅专栏 解锁全文
扫一扫
472
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
