【SVM回归预测】混沌灰狼算法优化SVM回归预测【含Matlab源码 1576期】

⛄一、混沌灰狼算法简介

1 Tent混沌反向学习策略
为保持种群多样性和使初始化种群个体尽可能均匀分布。在目前文献中,采用较多的是混沌映射Logistic,但它在[0,0.1]和[0.9,1]两个范围的取值概率较高,而且寻优速度受Logistic遍历不均匀性的影响,会降低算法效率。单梁等指出Tent映射比Logistic具有更好的遍历均匀性和更快的迭代速度。且在[0,1]间产生的混沌序列分布均匀。而Tent映射表达式如下:

笔者根据Tent映射的特性,在可行域中产生Tent映混沌序列,提出了Tent混沌反向初始化方法学习初始化策略,即利用Tent混沌序列产生初始解Xi,为每个初始解产生对应的反向解OPi=K(XdminXdmax)-Xi,其中K为[0,1]间的随机数。最后对两类解排序选择,将适应度值较优的前N个解作为初始种群的解,这有助于求解效率的提高与解质量的改善。

2 位置更新调整策略
在灰狼种群接近目标过程中,其位置更新方程式(12)表现出α、β和δ位置的同等重要性,却忽略了三者的不同特征,灰狼α的领导位置与最优解的所占比例在式(12)中没有得到很好的体现。本文采用适应度值去衡量个体重要性,对位置更新方程式(12)进行改进,采用式(15)进行位置更新: