ABC（智能蜂群算法）优化SVM_源码逐行中文注解

最近发现要彻底、快速地弄懂一个算法，最好的办法就是找源码来，静下心，一行一行的学习。所以我把ABC算法的源码找来逐行做了中文注释，并以优化SVM参数为例，进行学习。

废话不多说，直接上MATLAB代码（ABC-SVR）：

tic % 计时
%% 清空环境，准备数据
clear
clc
close all
load wndspd % 示例数据为风速（时间序列）数据，共144个样本
% 训练/测试数据准备（用前3天预测后一天）,用前100天的数据做训练
train_input(1,:)=wndspd(1:97);
train_input(2,:)=wndspd(2:98);
train_input(3,:)=wndspd(3:99);
train_output=[wndspd(4:100)]';
test_input(1,:)=wndspd(101:end-3);
test_input(2,:)=wndspd(102:end-2);
test_input(3,:)=wndspd(103:end-1);
test_output=[wndspd(104:end)]';
% 数据归一化处理
[input_train,rule1]=mapminmax(train_input);
[output_train,rule2]=mapminmax(train_output);
input_test=mapminmax('apply',test_input,rule1);
output_test=mapminmax('apply',test_output,rule2);
%% %%%%%%%%%%%%%用ABC算法优化SVR中的参数c和g开始%%%%%%%%%%%%%%%%%%%%
%% 参数初始化
NP=20; % 蜂群规模
FoodNumber=NP/2; % 蜜源（解）数量
limit=100; % 当有蜜源连续没被更新的次数超过limit时，该蜜源将被重新初始化
maxCycle=10; % 最大迭代次数
% 待优化参数信息
D=2; % 待优化参数个数，次数为c和g两个
ub=ones(1,D)*100; % 参数取值上界，此处将c和g的上界设为100
lb=ones(1,D)*(0.01); % 参数取值下界，此处将c和g的下界设为0.01runtime=2; % 可用于设置多次运行（让ABC算法运行runtime次）以考察程序的稳健性BestGlobalMins=ones(1,runtime); % 全局最小值初始化，这里的优化目标为SVR预测结果中的平均平方误差（MSE），初始化为最差值1
BestGlobalParams=zeros(runtime,D); % 用于存放ABC算法优化得到的最优参数for r=1:runtime % 运行ABC算法runtime次% 初始化蜜源Range = repmat((ub-lb),[FoodNumber 1]);Lower = repmat(lb, [FoodNumber 1]);Foods = rand(FoodNumber,D) .* Range + Lower;% 计算每个蜜源（解）得目标函数值，fobj为计算SVR预测的平均平方误差（MSE）的函数，根据自己的实际问题变异目标函数即可ObjVal=ones(1,FoodNumber); for k = 1:FoodNumberObjVal(k) = fobj(Foods(k,:),input_train,output_train,input_test,output_test);endFitness=calculateFitness(ObjVal); % 计算适应度函数值trial=zeros(1,FoodNumber); % 用于记录第i个蜜源有连续trail(i)次没被更新过% 标记最优蜜源（解）BestInd=find(ObjVal==min(ObjVal)); BestInd=BestInd(end);GlobalMin=ObjVal(BestInd); % 更新全局最优目标函数值GlobalParams=Foods(BestInd,:); % 更新全局最优参数为最优蜜源iter=1; % 迭代开始while ((iter <= maxCycle)) % 循环条件%%%%%%%%%%%%%%%%%%%%%引领蜂搜索解的过程%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%for i=1:(FoodNumber) % 遍历每个蜜源（解）Param2Change=fix(rand*D)+1; % 随机选择需要变异的参数neighbour=fix(rand*(FoodNumber))+1; % 随机选择相邻蜜源（解）以准备变异% 需要保证选择的相邻蜜源不是当前蜜源（i）while(neighbour==i)neighbour=fix(rand*(FoodNumber))+1;endsol=Foods(i,:); % 提取当前蜜源（解）对应的的参数% 参数变异得到新的蜜源：v_{ij}=x_{ij}+\phi_{ij}*(x_{kj}-x_{ij})sol(Param2Change)=Foods(i,Param2Change)+(Foods(i,Param2Change)-Foods(neighbour,Param2Change))*(rand-0.5)*2;% 确保参数取值范围不越界ind=find(sol<lb);sol(ind)=lb(ind);ind=find(sol>ub);sol(ind)=ub(ind);% 计算变异后蜜源的目标函数值和适应度函数值ObjValSol=fobj(sol,input_train,output_train,input_test,output_test);FitnessSol=calculateFitness(ObjValSol);% 更新当前蜜源的相关信息if (FitnessSol>Fitness(i))Foods(i,:)=sol;Fitness(i)=FitnessSol;ObjVal(i)=ObjValSol;trial(i)=0; % 如果当前蜜源被更新了，则对应的trial归零elsetrial(i)=trial(i)+1; % 如果当前蜜源没有被更新，则trial(i)加1endend%%%%%%%%%%%%%%%%%%%%%%%% 跟随蜂搜索解的过程 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% 计算解（蜜源）的概率prob=(0.9.*Fitness./max(Fitness))+0.1;% 循环初始化i=1;t=0;while(t<FoodNumber) % 循环条件if(rand<prob(i)) % 若随机概率小于当前解（蜜源）的概率t=t+1; % 循环计数器加1Param2Change=fix(rand*D)+1; % 随机确定需要变异的参数neighbour=fix(rand*(FoodNumber))+1; % 随机选择相邻蜜源（解）% 需要保证选择的相邻蜜源不是当前蜜源（i）while(neighbour==i)neighbour=fix(rand*(FoodNumber))+1;endsol=Foods(i,:); % 提取当前蜜源i（解）对应的的参数% 参数变异得到新的蜜源：v_{ij}=x_{ij}+\phi_{ij}*(x_{kj}-x_{ij})sol(Param2Change)=Foods(i,Param2Change)+(Foods(i,Param2Change)-Foods(neighbour,Param2Change))*(rand-0.5)*2;% 防止参数越界ind=find(sol<lb);sol(ind)=lb(ind);ind=find(sol>ub);sol(ind)=ub(ind);% 计算变异后蜜源的目标函数值和适应度函数值ObjValSol=fobj(sol,input_train,output_train,input_test,output_test);FitnessSol=calculateFitness(ObjValSol);% 更新当前蜜源的相关信息if (FitnessSol>Fitness(i))Foods(i,:)=sol;Fitness(i)=FitnessSol;ObjVal(i)=ObjValSol;trial(i)=0; % 如果当前蜜源被更新了，则对应的trial归零elsetrial(i)=trial(i)+1; % 如果当前蜜源没有被更新，则trial(i)加1endendi=i+1; % 更新iif (i==(FoodNumber)+1) % 若值超过蜜源数量，则i重新初始化i=1;end   end % 记住最优蜜源ind=find(ObjVal==min(ObjVal));ind=ind(end);if (ObjVal(ind)<GlobalMin)GlobalMin=ObjVal(ind);GlobalParams=Foods(ind,:);end%%%%%%%%%%%% 侦查蜂搜索解的过程 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% 找出连续最多次都没有被更新的蜜源        ind=find(trial==max(trial)); ind=ind(end);% 如果连续没有更新的次数大于限定次数，则由侦查蜂重新初始化该蜜源if (trial(ind)>limit) Bas(ind)=0;sol=(ub-lb).*rand(1,D)+lb;ObjValSol=fobj(sol,input_train,output_train,input_test,output_test);FitnessSol=calculateFitness(ObjValSol);Foods(ind,:)=sol;Fitness(ind)=FitnessSol;ObjVal(ind)=ObjValSol;enditer=iter+1;end % 一次ABC算法完结BestGlobalMins(r)=GlobalMin; % 记录本次ABC算法的最优目标函数值BestGlobalParams(r,:)=GlobalParams; % 记录本次ABC算法的最优参数end % end of runs
%% %%%%%%%%%%%%%用ABC算法优化SVR中的参数c和g结束%%%%%%%%%%%%%%%%%%%%
%% 打印参数选择结果，这里输出的是最后一次ABC算法寻优得到的参数
bestc=GlobalParams(1);
bestg=GlobalParams(2);
disp('打印选择结果');
str=sprintf('Best c = %g，Best g = %g',bestc,bestg);
disp(str)
%% 利用回归预测分析最佳的参数进行SVM网络训练
cmd_cs_svr=['-s 3 -t 2',' -c ',num2str(bestc),' -g ',num2str(bestg)];
model_cs_svr=svmtrain(output_train',input_train',cmd_cs_svr); % SVM模型训练
%% SVM网络回归预测
[output_test_pre,acc]=svmpredict(output_test',input_test',model_cs_svr); % SVM模型预测及其精度
test_pre=mapminmax('reverse',output_test_pre',rule2);
test_pre = test_pre';err_pre=wndspd(104:end)-test_pre;
figure('Name','测试数据残差图')
set(gcf,'unit','centimeters','position',[0.5,5,30,5])
plot(err_pre,'*-');legend('预测残差：实际-预测',0);
figure('Name','原始-预测图')
plot(test_pre,'*r-');hold on;plot(wndspd(104:end),'bo-');
legend('预测','原始')
set(gcf,'unit','centimeters','position',[0.5,13,30,5])result=[wndspd(104:end),test_pre];MAE=mymae(wndspd(104:end),test_pre)
MSE=mymse(wndspd(104:end),test_pre)
MAPE=mymape(wndspd(104:end),test_pre)
%% 显示程序运行时间
toc

完整程序和示例数据文件下载地址：http://download.csdn.net/detail/u013337691/9621448

（广告）欢迎扫描关注微信公众号：Genlovhyy的数据小站(Gnelovy212)

ABC（智能蜂群算法）优化SVM_源码逐行中文注解相关推荐

bartlett 算法 matlab,GWO（灰狼优化）算法MATLAB源码逐行中文注解（转载）
以优化SVM算法的参数c和g为例,对GWO算法MATLAB源码进行了逐行中文注解. tic % 计时器 %% 清空环境变量 close all clear clc format compact %% ...
GWO（灰狼优化）算法MATLAB源码逐行中文注解
以优化SVM算法的参数c和g为例,对GWO算法MATLAB源码进行了逐行中文注解. 完整程序和示例文件地址:http://download.csdn.net/detail/u013337691/962 ...
GWO（灰狼优化）算法MATLAB源码逐行中文注解（）
以优化SVM算法的参数c和g为例,对GWO算法MATLAB源码进行了逐行中文注解. tic % 计时器 %% 清空环境变量 close all clear clc format compact %% ...
FA（萤火虫算法）MATLAB源码详细中文注解
以优化SVM算法的参数c和g为例,对FA(萤火虫算法)MATLAB源码进行了逐行中文注解. 完整程序和示例文件地址:http://download.csdn.net/detail/u013337691 ...
CS（布谷鸟搜索）算法MATLAB源码逐行中文注解
以优化SVM算法的参数c和g为例,对CS算法MATLAB源码进行了逐行中文注解. 完整程序和示例文件地址:http://download.csdn.net/detail/u013337691/9622 ...
灰狼优化算法求函数最优值matlab,GWO（灰狼优化）算法MATLAB源码逐行中文注解（转载）...
2-l*((2)/Max_iteration); % 对每一次迭代,计算相应的a值,a decreases linearly fron 2 to 0% Update the Position of s ...
多目标人工秃鹫优化算法（MATLAB源码分享，智能优化算法）提出了一种多目标版本的人工秃鹫优化算法（AVOA）
多目标人工秃鹫优化算法(MATLAB源码分享,智能优化算法) 提出了一种多目标版本的人工秃鹫优化算法(AVOA),用于多目标优化问题. AVOA的灵感来源于非洲秃鹫的生活方式. 档案.网格和领导者选择 ...
【LSSVM回归预测】基于matlab人工蜂群算法优化最小二乘支持向量机LSSVM数据回归预测【含Matlab源码 2213期】
⛄一.人工蜂群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 ...
【LSSVM回归预测】人工蜂群算法优化最小二乘支持向量机LSSVM数据回归预测【含Matlab源码 2213期】
⛄一.人工蜂群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 ...

ABC（智能蜂群算法）优化SVM_源码逐行中文注解

ABC（智能蜂群算法）优化SVM_源码逐行中文注解相关推荐

最新文章

热门文章