【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】

举报
海神之光 发表于 2022/05/29 01:36:23 2022/05/29
【摘要】 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...

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
在这里插入图片描述
2 莱维飞行
在这里插入图片描述
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
在这里插入图片描述

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

在这里插入图片描述

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

【版权声明】本文为华为云社区用户转载文章,如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱: cloudbbs@huaweicloud.com
  • 点赞
  • 收藏
  • 关注作者

评论(0

0/1000
抱歉,系统识别当前为高风险访问,暂不支持该操作

全部回复

上滑加载中

设置昵称

在此一键设置昵称,即可参与社区互动!

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。