【SVM回归预测】基于matlab布谷鸟搜索算法优化SVM回归预测【含Matlab源码 1525期】

一、布谷鸟算法简介

布谷鸟算法，英文叫做Cuckoo search (CS algorithm)。首先还是同样，介绍一下这个算法的英文含义， Cuckoo是布谷鸟的意思，啥是布谷鸟呢，是一种叫做布谷的鸟，o(∩_∩)o ，这种鸟她妈很懒，自己生蛋自己不养，一般把它的宝宝扔到别的种类鸟的鸟巢去。但是呢，当孵化后，遇到聪明的鸟妈妈，一看就知道不是亲生的，直接就被鸟妈妈给杀了。于是这群布谷鸟宝宝为了保命，它们就模仿别的种类的鸟叫，让智商或者情商极低的鸟妈妈误认为是自己的亲宝宝，这样它就活下来了。
布谷鸟搜索算法（Cuckoo Search, CS）是2009年Xin-She Yang 与Suash Deb在《Cuckoo Search via Levy Flights》一文中提出的一种优化算法。布谷鸟算法是一种集合了布谷鸟巢寄生性和莱维飞行（Levy Flights）模式的群体智能搜索技术，通过随机游走的方式搜索得到一个最优的鸟巢来孵化自己的鸟蛋。这种方式可以达到一种高效的寻优模式。

1 布谷鸟的巢寄生性

2 莱维飞行

图1.模拟莱维飞行轨迹示意图

3 布谷鸟搜索算法的实现过程

二、部分源代码

clear; clc; close all;
%% 数据导入
data = csvread ('输入输出数据集/VMD_Brent_Total.csv');
IMF = data(:,14);
%% 划分训练集和测试集
x = 5; % sliding window length
z = 1; % output length 
[train_input,train_output,test_input,test_output] = Split(IMF,x,z); % 默认按照 8:2 的比例划分训练集和测试集
%% 预处理
%归一化

%% CS-SVR
time= 50;
n=20; % n为巢穴数量
pa=0.20; % 被宿主发现的概率
dim = 2; % 需要寻优的参数个数

% 随机初始化巢穴
nest=zeros(n,dim);
for i=1:n % 遍历每个巢穴
    nest(i,:)=Lb+(Ub-Lb).*rand(size(Lb)); % 对每个巢穴，随机初始化参数
end

fitness=ones(1,n); % 目标函数值初始化
[fmin,bestnest,nest,fitness]=get_best_nest(nest,nest,fitness,input_train,output_train,input_test,output_test); % 找出当前最佳巢穴和参数

%% 迭代开始
for t=1:time
    new_nest=get_cuckoos(nest,bestnest,Lb,Ub); % 保留当前最优解，寻找新巢穴
    [~,~,nest,fitness]=get_best_nest(nest,new_nest,fitness,input_train,output_train,inpu
    % 找出当前最佳巢穴和参数
    [fnew,best,nest,fitness]=get_best_nest(nest,new_nest,fitness,input_train,output_train,input_test,output_test); 
    if fnew<fmin
        fmin=fnew;
        bestnest=best ;
    end
end
%% 打印参数选择结果
bestobjfun=fmin;
bestc=bestnest(1);
bestg=bestnest(2);
disp('打印参数选择结果');
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(bestnest(1)),' -g ',num2str(bestnest(2))];
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,decision_values]=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';

figure('Name','原始-预测图')
plot(test_pre,'r-');hold on;plot((test_output),'b-');
legend('预测','原始')
set(gcf,'unit','centimeters','position',[15,13,20,13])

result=[test_output',test_pre];

MAE = mymae(test_output',test_pre)
MSE = mymse(test_output',test_pre)
MAPE = mymape(test_output',test_pre)
%% 显示程序运行时间
% toc
function [bestsol,fval]=cuckoo_ori_with_chinese_note(time)
% 由CS算法源码添加中文注释，Genlovy Hoo，2016.09.05

clear
clc
close all
format long

if nargin<1
    % Number of iteraions 迭代次数
    time=2000;
end

disp('Computing ... it may take a few minutes.');

% Number of nests (or different solutions)
n=25; % n为巢穴数量
% Discovery rate of alien eggs/solutions
pa=0.25; % 被宿主发现的概率

% Simple bounds of the search domain
% Lower bounds and upper bounds
dim = 3; % 需要寻优的参数个数
Lb=[0.05,0.25,2.0]; % 设置参数下界
Ub=[2.0,1.3,15.0]; % 设置参数上界


% Random initial solutions
nest=zeros(n,dim);
for i=1:n % 遍历每个巢穴
nest(i,:)=Lb+(Ub-Lb).*rand(size(Lb)); % 对每个巢穴，随机初始化参数
end

% Get the current best
fitness=10^10*ones(n,1); % 目标函数值初始化
[fmin,bestnest,nest,fitness]=get_best_nest(nest,nest,fitness); % 找出当前最佳巢穴和参数

N_iter=0; % 迭代计数器
%% Starting iterations
for t=1:time

    % Generate new solutions (but keep the current best)
     new_nest=get_cuckoos(nest,bestnest,Lb,Ub); % 保留当前最优解，寻找新巢穴
     [fnew,best,nest,fitness]=get_best_nest(nest,new_nest,fitness); % 找出当前最佳巢穴和参数
    % Update the counter
      N_iter=N_iter+n; % 更新计数器
    % Discovery and randomization
      new_nest=empty_nests(nest,Lb,Ub,pa); % 发现并更新劣质巢穴
    
    % Evaluate this solution
      [fnew,best,nest,fitness]=get_best_nest(nest,new_nest,fitness); % 找出当前最佳巢穴和参数
    % Update the counter again
      N_iter=N_iter+n; % 更新计数器
    
    
end %% End of iterations

%% Post-optimization processing
%% Display all the nests
disp(strcat('Total number of iterations=',num2str(N_iter)));
fmin
bestnest

%% --------------- All subfunctions are list below ------------------
%% Get cuckoos by ramdom walk 通过随机游走搜寻鸟巢
function nest=get_cuckoos(nest,best,Lb,Ub)
% Levy flights
n=size(nest,1); % 鸟巢个数
% Levy exponent and coefficient
% For details, see equation (2.21), Page 16 (chapter 2) of the book
% X. S. Yang, Nature-Inspired Metaheuristic Algorithms, 2nd Edition, Luniver Press, (2010).

% Levy flights参数准备
beta=3/2;
sigma=(gamma(1+beta)*sin(pi*beta/2)/(gamma((1+beta)/2)*beta*2^((beta-1)/2)))^(1/beta); % gamma(x)求gamma函数值

for j=1:n % 遍历每个巢穴
    s=nest(j,:); % 提取当前巢穴的参数
    % This is a simple way of implementing Levy flights
    % For standard random walks, use step=1;
    %% Levy flights by Mantegna's algorithm
    u=randn(size(s))*sigma; % 生成服从 N(0,sigma^2) 的随机数u，u为长度为参数个数的向量
    v=randn(size(s)); % 生成服从 N(0,1) 的随机数v向量
    step=u./abs(v).^(1/beta); % 计算步长
  
    % In the next equation, the difference factor (s-best) means that 
    % when the solution is the best solution, it remains unchanged.     
    stepsize=0.01*step.*(s-best); % 巢穴位置变化量，如当前巢穴为最优解，则变化量将为0
    % Here the factor 0.01 comes from the fact that L/100 should the typical
    % step size of walks/flights where L is the typical lenghtscale; 
    % otherwise, Levy flights may become too aggresive/efficient, 
    % which makes new solutions (even) jump out side of the design domain 
    % (and thus wasting evaluations).
    % Now the actual random walks or flights
    s=s+stepsize.*randn(size(s)); % 步长调整
   % Apply simple bounds/limits
   nest(j,:)=simplebounds(s,Lb,Ub); % 更新巢穴
end


  

 

  
1
  
2
  
3
  
4
  
5
  
6
  
7
  
8
  
9
  
10
  
11
  
12
  
13
  
14
  
15
  
16
  
17
  
18
  
19
  
20
  
21
  
22
  
23
  
24
  
25
  
26
  
27
  
28
  
29
  
30
  
31
  
32
  
33
  
34
  
35
  
36
  
37
  
38
  
39
  
40
  
41
  
42
  
43
  
44
  
45
  
46
  
47
  
48
  
49
  
50
  
51
  
52
  
53
  
54
  
55
  
56
  
57
  
58
  
59
  
60
  
61
  
62
  
63
  
64
  
65
  
66
  
67
  
68
  
69
  
70
  
71
  
72
  
73
  
74
  
75
  
76
  
77
  
78
  
79
  
80
  
81
  
82
  
83
  
84
  
85
  
86
  
87
  
88
  
89
  
90
  
91
  
92
  
93
  
94
  
95
  
96
  
97
  
98
  
99
  
100
  
101
  
102
  
103
  
104
  
105
  
106
  
107
  
108
  
109
  
110
  
111
  
112
  
113
  
114
  
115
  
116
  
117
  
118
  
119
  
120
  
121
  
122
  
123
  
124
  
125
  
126
  
127
  
128
  
129
  
130
  
131
  
132
  
133
  
134
  
135
  
136
  
137
  
138
  
139
  
140
  
141
  
142
  
143
  
144
  
145
  
146
  
147
  
148
  
149
  
150
  
151
  
152
  
153
  
154
  
155
  
156
  
157
  
158
  
159
  
160
  
161
  
162
  
163
  
164
  
165
 

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] 包子阳,余继周,杨杉.智能优化算法及其MATLAB实例（第2版）[M].电子工业出版社，2016.
[2]张岩,吴水根.MATLAB优化算法源代码[M].清华大学出版社，2017.
[3]周品.MATLAB 神经网络设计与应用[M].清华大学出版社，2013.
[4]陈明.MATLAB神经网络原理与实例精解[M].清华大学出版社，2013.
[5]方清城.MATLAB R2016a神经网络设计与应用28个案例分析[M].清华大学出版社，2018.

文章来源: qq912100926.blog.csdn.net，作者：海神之光，版权归原作者所有，如需转载，请联系作者。

原文链接：qq912100926.blog.csdn.net/article/details/121321419