正文

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数据回归预测含matlab源码2261期(代码片段)

海神之光  海神之光  2023-01-14  716

关键词：

⛄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
t
%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;
    else
        gbestT = ub + lb - gbest;
        X(i,:) = (gbestT + XhisBest(i,:)).*( 1 + alpha.*randn())/2;
    end
end
%边界控制
for j = 1:pop
    for a = 1: dim
        if(X(j,a)>ub)
            X(j,a) =ub(a);
        end
        if(X(j,a)<lb)
            X(j,a) =lb(a);
        end
    end
end
%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);
    end
    if(fitness(j) <GBestF)
        GBestF = fitness(j);
        GBestX = X(j,:);
        indexBest = j;
         curve(t) = GBestF;
    end
end

%% 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;
else
    curve(t) = GBestF;
end
[value, index]= min(fitness);%找最小值
gbest = X(index,:);%当前代，种群最优值

end

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]丁飞,江铭炎.基于改进狮群算法和BP神经网络模型的房价预测[J].山东大学学报(工学版). 2021,51(04)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

lssvm回归预测基于matlab灰狼算法优化最小支持向量机gwo-lssvm数据预测含matlab源码2259期(代码片段)

...化算法的最小二乘支持向量机预测(避免过拟合现象);③自回归积分滑动平均模型(ARIMA)预测。实证分析表明,基于灰狼优化算法的LSSVM模型预测效查看详情

lssvm回归预测基于matlab灰狼算法优化最小支持向量机gwo-lssvm数据预测含matlab源码2259期(代码片段)

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统作为损失函数代替支持向量机... 查看详情

lssvm回归预测基于matlab鸽群算法优化最小二乘支持向量机pio-lssvm数据回归预测含matlab源码2237期

⛄一、鸽群算法简介基于鸽群在归巢过程中的特殊导航行为,Duan等提出了一种仿生群体智能优化算法———鸽群优化算法.在这个算法中,通过模仿鸽子在寻找目标的不同阶段使用不同导航工具这一机制,提出了2种不同的算子模型:1)... 查看详情

lssvm回归预测基于matlab鸽群算法优化最小二乘支持向量机pio-lssvm数据回归预测含matlab源码2237期

lssvm回归预测基于matlab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... 查看详情

lssvm回归预测基于matlab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

回归预测-lssvm基于粒子群算法优化最小二乘支持向量机lssvm实现数据回归预测附matlab代码

✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。🍎个人主页：Matlab科研工作室🍊个人信条：格物致知。更多Matlab仿真内容点击👇智能优化算法神经网络预... 查看详情

lssvm预测基于鲸鱼优化算法的lssvm数据预测matlab源码(代码片段)

1、最小二乘支持向量机LSSVM基本原理最小二乘支持向量机是支持向量机的一种改进，它是将传统支持向量机中的不等式约束改为等式约束,且将误差平方和(SumSquaresError)损失函数作为训练集的经验损失,这样就把解二次规划问... 查看详情

回归预测基于matlab麻雀算法优化lssvm回归预测含matlab源码1128期(代码片段)

...入的n维空间映射到对应的高维特征空间，因此LSSVM的回归估计函数为：f(x)=ωTφ(x)+b(1)式中：ω=[ω1,ω2,…,ωn]T表示超平面权值系数向量；b为偏置量。LSSVM定义优化问题目标函数查看详情

lssvm分类基于matlab遗传算法优化llsvm数据分类含matlab源码2339期

...2339期】获取代码方式2：付费专栏Matlab智能算法神经网络预测与分类（初级版）备注：点击上面蓝色字体付费专栏Matlab智能算法神经网络预测与分类（初级版），扫描上面二维码，付费29.9元订阅海神之光博客付费专栏Matlab智能算... 查看详情

电力负荷预测基于matlab模拟退火算法结合狮群算法优化elman神经网络电力负荷预测含matlab源码1454期

一、模拟退火算法简介1引言模拟退火算法(SimulatedAnnealing，SA)的思想最早由Metropolis等人于1953年提出：Kirkpatrick于1983年第一次使用模拟退火算法求解组合最优化问题[1]。模拟退火算法是一种基于MonteCarlo迭代求解策略的随机寻优算... 查看详情

lssvm分类基于matlab遗传算法优化llsvm数据分类含matlab源码2339期

lssvm分类基于matlab最小二乘支持向量机数据分类含matlab源码2330期

...2330期】获取代码方式2：付费专栏Matlab智能算法神经网络预测与分类（初级版）备注：点击上面蓝色字体付费专栏Matlab智能算法神经网络预测与分类（初级版），扫描上面二维码，付费29.9元订阅海神之光博客付费专栏Matlab智能算... 查看详情

lssvm分类基于matlab最小二乘支持向量机数据分类含matlab源码2330期

lstm回归预测基于matlab灰狼算法优化lstm回归预测含matlab源码2038期(代码片段)

一、灰狼算法及LSTM简介1灰狼算法简介1.1前言灰狼优化算法（GreyWolfOptimizer，GWO）由澳大利亚格里菲斯大学学者Mirjalili等人于2014年提出来的一种群智能优化算法。该算法受到了灰狼捕食猎物活动的启发而开发的一种优... 查看详情