Java教程

【SVM分类】基于花授粉算法优化实现SVM数据分类matlab源码

本文主要是介绍【SVM分类】基于花授粉算法优化实现SVM数据分类matlab源码,对大家解决编程问题具有一定的参考价值,需要的程序猿们随着小编来一起学习吧!

一、神经网络-支持向量机

支持向量机(Support Vector Machine)是Cortes和Vapnik于1995年首先提出的,它在解决小样本、非线性及高维模式识别中表现出许多特有的优势,并能够推广应用到函数拟合等其他机器学习问题中。 1 数学部分 1.1 二维空间 ​​ ​​ ​​ ​​ ​​ ​​ ​​ ​​ ​​ 2 算法部分 ​​ ​​ ​​ 

二、花授粉算法

花朵授粉算法( Flower Pollination Algorithm,FPA)是由英国剑桥大学学者Yang于2012年提出的,其基本思想来源于对自然界花朵自花授粉、异花授粉的模拟,是一种新的元启发式群智能随机优化技术 。算法中为了简便计算,假设每个植物仅有一朵花,每朵花只有一个配子,我们可以认为每一个配子都是解空间中的一个候选解。

Yang通过对花朵授粉的研究,抽象出以下四大规则:

1) 生物异花授粉被考虑为算法的全局探测行为,并由传粉者通过Levy飞行的机制实现全局授粉;

2)非生物自花授粉被视作算法的局部开采行为,或称局部授粉;

3)花朵的常性可以被认为是繁衍概率,他与两朵参与授粉花朵的相似性成正比例关系;

4)花朵的全局授粉与局部授粉通过转换概率 p∈[0,1]进行调节。 由于物理上的邻近性和风等因素的影响,在整个授粉活动中,转换概率 p是一个非常重要的参数。 文献[1]中对该参数的试验研究认为,取 p =0.8 更利于算法寻优。

 

直接上步骤(以多元函数寻优为例):

目标函数 : min g = f(x1,x2,x3,x4...........xd)

设置参量:N(候选解的个数),iter(最大迭代次数),p(转换概率),lamda(Levy飞行参数)

初始化花朵,随机设置一个NXd的矩阵;

计算适应度,即函数值;

获取最优解和最优解得位置;

A循环 1 : 1 :iter

B循环

if rand < p

全局授粉;

else

局部授粉;

end if

更新新一代的花朵与适应度(函数变量和函数值);

B循环end

获取新一代的最优解与最优解位置;

A循环end

 

全局更新公式:xi(t+1) = xi(t) + L(xi(t) - xbest(t)) L服从Levy分布,具体可以搜索布谷鸟算法。

局部更新公式:xi(t+1) = xi(t) + m(xj(t) - xk(t)) m是服从在[0,1]上均匀分布的随机数。其中,xj和xk是两个不同的个体

​三、代码

function [mem,bestSol,bestFit,optima,FunctionCalls]=FPA(para)
% Default parameters
if nargin<1,
   para=[50 0.25 500];   
end

n=para(1);           % Population size
p=para(2);           % Probabibility switch
N_iter=para (3);  % Number of iterations

phase = 1; %First state
phaseIte= [0.5,0.9,1.01]; %State vector

%Deb Function
d = 1;
Lb = 0;
Ub = 1;
optima =  [.1;.3;.5;.7;.9];


% Initialize the population
for i=1:n,
  Sol(i,:)=Lb+(Ub-Lb).*rand(1,d);
  Fitness(i)=fitFunc(Sol(i,:));  %%Evaluate fitness function
end

% Initialice the memory
[mem,bestSol,bestFit,worstF] = memUpdate(Sol,Fitness, [], zeros(1,d), 100000000, 0, phase,d,Ub,Lb);

S = Sol;

FunctionCalls = 0;
% Main Loop
for ite = 1 : N_iter,
                    %For each pollen gamete, modify each position acoording
                    %to local or global pollination
                    for i = 1 : n,
                                % Switch probability
                                if rand>p,
                                            
                                            L=Levy(d);
                                            dS=L.*(Sol(i,:)-bestSol);
                                            S(i,:)=Sol(i,:)+dS;
                                            S(i,:)=simplebounds(S(i,:),Lb,Ub);
                                else
                                            epsilon=rand;
                                            % Find random flowers in the neighbourhood
                                            JK=randperm(n);
                                            % As they are random, the first two entries also random
                                            % If the flower are the same or similar species, then
                                            % they can be pollenated, otherwise, no action.
                                            % Formula: x_i^{t+1}+epsilon*(x_j^t-x_k^t)
                                            S(i,:)=S(i,:)+epsilon*(Sol(JK(1),:)-Sol(JK(2),:));
                                            % Check if the simple limits/bounds are OK
                                            S(i,:)=simplebounds(S(i,:),Lb,Ub);
                                end
                                Fitness(i)=fitFunc(S(i,:));
                    end
                    %Update the memory
                    [mem,bestSol,bestFit,worstF] = memUpdate(S,Fitness,mem,bestSol,bestFit,worstF,phase,d,Ub,Lb);
                    
                   Sol = get_best_nest(S, mem, p);
                   
                   FunctionCalls = FunctionCalls + n;
                
                   if ite/N_iter > phaseIte(phase)
                        %Next evolutionary process stage
                        phase = phase + 1;
                        [m,~]=size(mem);
                        %Depurate the memory for each stage
                        mem = cleanMemory(mem);
                        FunctionCalls = FunctionCalls + m;
                   end
end

%Plot the solutions (mem) founded by the multimodal framework
x = 0:.01:1;
y = ((sin(5.*pi.*x)).^ 6);
plot(x,y)
hold on
plot(mem(:,1),-mem(:,2),'r*');

在这里插入图片描述

5.参考文献:

书籍《MATLAB神经网络43个案例分析》

 

这篇关于【SVM分类】基于花授粉算法优化实现SVM数据分类matlab源码的文章就介绍到这儿,希望我们推荐的文章对大家有所帮助,也希望大家多多支持为之网!