【LSSVM回归预测】天鹰算法优化最小二乘支持向量机AO-LSSVM数据回归预测【含Matlab源码 1848期】

⛄一、天鹰算法优化最小二乘支持向量机LSSVM简介

1 最小二乘支持向量机
最小二乘支持向量机是支持向量机的一种改进算法[9,10],它将SVM算法中的不等式约束转化为等式约束,采用最小二乘线性系统作为损失函数代替支持向量机所采用的二次规划方法,以下介绍了该方法的基本原理。


式(6)中取不同的核函数就生成不同的支持向量机(图1),目前使用最多的核函数主要有多项式核函数、线性核函数、径向基核函数(RBF)。由于RBF核函数结构简单,泛化能力强,这样需要优化的参数最少,只有核参数σ和正规化参数γ。

图1 支持向量机模型

2 天鹰优化算法
天鹰优化算法(AO)具有高可靠性和一致性[24],具有强大的最优解求解能力，能够以较快的加速度收敛和较强的稳定性进行寻优。天鹰算法优化步骤如下。

步骤1 垂直俯冲 当天鹰识别猎物区域时，通过高空翱翔在全局初步选择最佳狩猎区域，以确定最优解的所在的搜索空间，公式为