700字范文 > 【LSSVM回归预测】基于matlab狮群算法优化最小二乘支持向量机LSO-LSSVM数据回归预测【

【LSSVM回归预测】基于matlab狮群算法优化最小二乘支持向量机LSO-LSSVM数据回归预测【

时间：2024-07-06 08:38:30

⛄一、狮群算法简介

狮群优化算法(lion swarm optimization algorithm, LSO)是在狮群协作捕猎的基础上提出的一种群智能优化算法。狮群算法将狮群分成3个部分：狮王、母狮、幼狮。狮王是具有最佳适应度值的个体。一定数量的个体分配为母狮，一只母狮和另一只母狮合作进行捕猎，在捕食猎物时，先大范围地进行勘探，靠近猎物时，逐步缩小包围圈，猎杀食物。幼狮也称为跟随狮，主要跟随狮王和母狮进行活动。

狮王的更新公式如下：

xk+1i=gk(1+γ‖pki-gk‖), (1)

式中：pki为第i个狮子第k代的历史最优位置，gk为第k代群体最优位置，γ为依照正态分布N(0,1)产生的随机数。

母狮的更新公式如下：

式中：pki为第i个狮子第k代的历史最优位置，pkc为从第k代母狮中随机挑选的一个协作伙伴的历史最优位置，αf为扰动因子，l¯和h¯分别为各个维度取值范围的上限均值和下限均值，T为最大迭代次数。

幼狮的活动分为3种：在饥饿时靠近狮王进行捕食；吃饱后跟随母狮学习捕猎；成年后被狮王赶出领地成为流浪狮，历经锻炼后重新向狮王的地位发起挑战。幼狮的位置更新公式如下：

式中：αc为扰动因子；γ为依照正态分布N(0,1)产生的随机数；pki为第i个狮子第k代的历史最优位置；gk为第k代群体最优位置；pkm为幼狮跟随母狮的第k代历史最优位置；g¯k=l¯+h¯−gk,为第k个幼狮在捕猎范围内被驱赶的位置；g¯k在远离狮王的位置，是一种典型的精英反向学习思想；T为最大迭代次数。

⛄二、部分源代码

clc

close all

clear

format long

tic

%==============================================================

%%导入数据

% data=xlsread(‘1.xlsx’);

load data1.mat

data=attributes2;

[row,col]=size(data);

x=data(:,1:col-1);

y=data(:,col);

set=round(row*0.8); %设置测量样本数

row1=set;%

train_x=x(1:row1,:);

train_y=y(1:row1,:);

test_x=x(row1+1:row,:);%预测输入

test_y=y(row1+1:row,:);%预测输出

train_x=train_x’;

train_y=train_y’;

test_x=test_x’;

test_y=test_y’;

%%数据归一化

[train_x,minx,maxx, train_yy,miny,maxy] =premnmx(train_x,train_y);

test_x=tramnmx(test_x,minx,maxx);

train_x=train_x’;

train_yy=train_yy’;

train_y=train_y’;

test_x=test_x’;

test_y=test_y’;

%% 参数初始化

eps = 10^(-6);

%%定义lssvm相关参数

type=‘f’;

kernel = ‘RBF_kernel’;

proprecess=‘proprecess’;

%统计结果

pop=30; % 种群数量

Max_iter=50; % 设定最大迭代次数

beta = 0.5;%成年狮所占比列

Nc = round(pop*beta);%成年狮数量

Np = pop-Nc;%幼师数量

lb=[0.01 0.02];%参数c、g的变化的下限

ub=[1000 100];%参数c、g的变化的上限

dim=2;%维度，即一个优化参数

if(max(size(ub)) == 1)

ub = ub.*ones(1,dim);

lb = lb.*ones(1,dim);

end

%种群初始化

X0=initialization(pop,dim,ub,lb);

X = X0;

%计算初始适应度值

fitness = zeros(1,pop);

for i = 1:pop

[ TestingAccuracy] =Fun( X(i,:),train_x,train_yy,type,kernel,proprecess,miny,maxy,train_y,test_x,test_y);

fitness(i) = TestingAccuracy;

end

[value, index]= min(fitness);%找最小值

GBestF = value;%全局最优适应度值

GBestX = X(index,:);%全局最优位置

curve=zeros(1,Max_iter);

XhisBest = X;

fithisBest = fitness;

indexBest = index;

gbest = GBestX;

for t = 1: Max_iter

%母狮移动范围扰动因子计算

stepf = 0.1*(mean(ub) - mean(lb));

alphaf = stepfexp(-30t/Max_iter)^10;

%幼狮移动范围扰动因子计算

alpha = (Max_iter - t)/Max_iter;

%母狮位置更新

for i = 1:Nc

index = i;

while(index == i)

index = randi(Nc);%随机挑选一只母狮

end

X(i,:) = (X(i,:) + X(index,:)).*(1 + alphaf.randn())./2;

end

%幼师位置更新

for i = Nc+1:pop

q=rand;

if q<=1/3

X(i,:) = (gbest + XhisBest(i,:)).( 1 + alpha.*randn())/2;

elseif q>1/3&&q<2/3

indexT = i;

while indexT == i

indexT = randi(Nc) + pop - Nc;%随机位置

end

X(i,:) = (X(indexT,:) + XhisBest(i,:)).*( 1 + alpha.*randn())/2;elsegbestT = ub + lb - gbest;X(i,:) = (gbestT + XhisBest(i,:)).*( 1 + alpha.*randn())/2;endend%边界控制for j = 1:popfor a = 1: dimif(X(j,a)>ub)X(j,a) =ub(a);endif(X(j,a)<lb)X(j,a) =lb(a);endendend%计算适应度值for j=1:pop[ TestingAccuracy] =Fun( X(j,:),train_x,train_yy,type,kernel,proprecess,miny,maxy,train_y,test_x,test_y);fitness(j) = TestingAccuracy;if(fitness(j)<fithisBest(j))XhisBest(j,:) = X(j,:);fithisBest(j) = fitness(j);endif(fitness(j) <GBestF)GBestF = fitness(j);GBestX = X(j,:);indexBest = j;curve(t) = GBestF;endend%% 狮王更新Temp = gbest.*(1 + randn().*abs(XhisBest(indexBest,:) - gbest));Temp(Temp>ub)=ub(Temp>ub);Temp(Temp<lb) = lb(Temp<lb);[ TestingAccuracy] =Fun( Temp,train_x,train_yy,type,kernel,proprecess,miny,maxy,train_y,test_x,test_y);fitTemp = TestingAccuracy;if(fitTemp<GBestF)GBestF =fitTemp;GBestX = Temp;X(indexBest,:)=Temp;fitness(indexBest) = fitTemp;curve(t) = GBestF;elsecurve(t) = GBestF;end[value, index]= min(fitness);%找最小值gbest = X(index,:);%当前代，种群最优值

end