本文介绍了麻雀算法优化的最小二乘支持向量机（LSSVM）在回归预测中的应用，详细阐述了标准麻雀算法的探索者、追随者和预警者的更新策略，并探讨了LSSVM的原理。文章提供部分Matlab源代码，展示了预测模型的建立流程，包括参数优化、模型训练和预测。最后，给出了使用2014a版本Matlab的参考文献。
⛄一、麻雀算法优化LSSVM简介
1 标准麻雀算法
算法运算过程由探索者、追随者与预警者3部分构成，其中探索者与追随者的总数量与比例不变，根据适应度数值的改变，两者可以相互转化。通过觅食和反捕食行为来不断更新种群成员最优位置。
设种群数量为n,在第K次迭代中，探索者的位置更新方式如下：
追随者的位置更新方式如下：
预警者在种群中的比例在10%～20%,位置更新方式如下：
2 最小二乘支持向量机(LSSVM)原理
传统SVM模型中约束条件为不等式，而LSSVM将SVM 中的约束条件改为等式约束，把误差平方和作为经验损失，将求解凸二次规划的问题转换为了通过求解线性方程组[13,14],降低了求解难度，优化了整体运算速度。
设定训练集{xi,yi}ni=1,其中xi∈Rd为
订阅专栏 解锁全文
2509
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
