1 简介
本文提出了一种遗传算法改进的最小二乘支持向量机数据分类模型。遗传算法是一种借鉴生物界自然选择和自然遗传机制的随 机搜索算法, 能够在搜索过程中自动获取和积累有关搜索空间 的知识, 并自适应地控制搜索过程以求得最优解。 它模拟自然 选择和遗传中发生的复制、交叉和变异等现象, 从任一初始种群 出发, 通过随机选择、交叉和变异操作, 产生一群更适应环境的 个体, 使群体进化到搜索空间中越来越好的区域, 这样一代一代 不断繁衍下去, 最后收敛到一群最适应环境的个体, 求得问题的最优解。
2 部分代码
clc % 清屏
clear all; % 删除workplace变量
close all; % 关掉显示图形窗口
size=30;
codel=3;
minx(1)=zeros(1);
maxx(1)=50*ones(1);
minx(2)=zeros(1);
maxx(2)=50*ones(1);
minx(3)=zeros(1);
maxx(3)=50*ones(1);
kpid(:,1)=minx(1)+(maxx(1)-minx(1))*rand(size,1);
kpid(:,2)=minx(2)+(maxx(2)-minx(2))*rand(size,1);
kpid(:,3)=minx(3)+(maxx(3)-minx(3))*rand(size,1);
G=100;
BsJ=0;
for kg=1:1:G
time(kg)=kg;
for i=1:1:size
kpidi=kpid(i,:);
BsJ=pid_GA(kpidi);
BsJi(i)=BsJ;
end
[OderJi,IndexJi]=sort(BsJi);
BestJ(kg)=OderJi(1);
BJ=BestJ(kg);
Ji=BsJi+1e-10;
fi=1./Ji;
[Oderfi,Indexfi]=sort(fi);
Bestfi=Oderfi(size);
BestS=kpid(Indexfi(size),:);
% select and reproduct operation
fi_sum=sum(fi);
fi_size=(Oderfi/fi_sum)*size;
fi_s=floor(fi_size);
r=size-sum(fi_s);
Rest=fi_size-fi_s;
[Restvalue,Index]=sort(Rest);
for i=size:-1:size-r+1
fi_s(Index(i))=fi_s(Index(i))+1;
end
k=1;
for i=size:-1:1
for j=1:1:fi_s(i)
TempE(k,:)=kpid(Indexfi(i),:);
k=k+1;
end
end
% crossover operation
Pc=0.90;
for i=1:2:(size-1)
temp=rand;
if Pc>temp
alfa=rand;
TempE(i,:)=alfa*kpid(i+1,:)+(1-alfa)*kpid(i,:);
TempE(i+1,:)=alfa*kpid(i,:)+(1-alfa)*kpid(i+1,:);
end
end
TempE(size,:)=BestS;
kpid=TempE;
%Mution operation
Pm=0.1-[1:1:size]*(0.01)/size;
Pm_rand=rand(size,codel);
Mean=(maxx+minx)/2;
Dif=(maxx-minx);
for i=1:1:size
for j=1:1:codel
if Pm(i)>Pm_rand(i,j)
TempE(i,j)=Mean(j)+Dif(j)*(rand-0.5);
end
end
end
%guarantee TempE(size,:)belong tu the best individual
TempE(size,:)=BestS;
kpid=TempE;
end
Bestfi;
BestS;
Best_J=BestJ(G);
figure(1);
plot(time,BestJ,'LineWidth',3);
title('最优个体适应值','fontsize',10);
xlabel('迭代次数');ylabel('适应值');
grid on
3 仿真结果
4 参考文献
[1]王克奇等. "采用遗传算法优化最小二乘支持向量机参数的方法." 计算机应用与软件 26.7(2009):3.
