【预测模型】基于麻雀搜索算法优化核极限学习机实现数据分类matlab代码

原创于 2024-12-24 22:06:46 发布 · 740 阅读

28 ·

CC 4.0 BY-SA版权

文章标签：

#matlab #分类 #算法

预测模型专栏收录该内容

342 篇文章

订阅专栏

1 简介

麻雀搜索算法（ｓｐａｒｒｏｗｓｅａｒｃｈａｌｇｏｒｉｔｈｍ，ＳＳＡ）提出时间是2020年，它是根据麻雀觅食并逃避捕食者的行为而提出的群智能优化算法。麻雀搜索算法主要模拟了麻雀群觅食的过程。每只麻雀都有３种可能的行为：发现者：搜索食物；加入者：跟随发现者觅食；侦察者：警戒侦查。其中，发现者是麻雀中找到食物较早的个体，加入者则为其他个体，同时在麻雀种群中还有一定比例的个体进行侦查预警，它们的任务是在发现危险的情况下就放弃食物，选择安全第一。

工业过程常含有显著的非线性,时变等复杂特性,传统的核极限学习机有时无法充分利用数据信息,所建软测量模型预测性能较差.为了提高核极限学习机的泛化能力和预测精度,提出一种麻雀搜索优化的核极限学习机软测量建模方法.通过麻雀搜索算法优化极限学习机的惩罚系数和核宽,得到一组最优超参数;最后将该方法应用于脱丁烷塔过程软测量建模中.仿真结果表明,优化后的核极限学习机模型预测精度有明显的提高,验证了所提方法不仅是可行的,而且具有良好的预测精度和泛化性能.

2 部分代码

%_________________________________________________________________________________

%____________________________________________________________________________________

function [FoodFitness,FoodPosition,Convergence_curve]=SSA(N,Max_iter,lb,ub,dim,fobj)
if size(ub,1)==1
  ub=ones(dim,1)*ub;
  lb=ones(dim,1)*lb;
end
Convergence_curve = zeros(1,Max_iter);
%Initialize the positions of salps
SalpPositions=initialization(N,dim,ub,lb);
FoodPosition=zeros(1,dim);
FoodFitness=inf;
%calculate the fitness of initial salps
for i=1:size(SalpPositions,1)
  SalpFitness(1,i)=fobj(SalpPositions(i,:));
end
[sorted_salps_fitness,sorted_indexes]=sort(SalpFitness);
for newindex=1:N
  Sorted_salps(newindex,:)=SalpPositions(sorted_indexes(newindex),:);
end
FoodPosition=Sorted_salps(1,:);
FoodFitness=sorted_salps_fitness(1);
%Main loop
l=2; % start from the second iteration since the first iteration was dedicated to calculating the fitness of salps
while l<Max_iter+1
  c1 = 2*exp(-(4*l/Max_iter)^2); % Eq. (3.2) in the paper
  for i=1:size(SalpPositions,1)
      SalpPositions= SalpPositions';
      if i<=N/2
          for j=1:1:dim
              c2=rand();
              c3=rand();
              %%%%%%%%%%%%% % Eq. (3.1) in the paper %%%%%%%%%%%%%%
              if c3<0.5 
                  SalpPositions(j,i)=FoodPosition(j)+c1*((ub(j)-lb(j))*c2+lb(j));
              else
                  SalpPositions(j,i)=FoodPosition(j)-c1*((ub(j)-lb(j))*c2+lb(j));
              end
              %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
          end
      elseif i>N/2 && i<N+1
          point1=SalpPositions(:,i-1);
          point2=SalpPositions(:,i);
          SalpPositions(:,i)=(point2+point1)/2; % % Eq. (3.4) in the paper
      end
      SalpPositions= SalpPositions';
  end
  for i=1:size(SalpPositions,1)
      Tp=SalpPositions(i,:)>ub';Tm=SalpPositions(i,:)<lb';SalpPositions(i,:)=(SalpPositions(i,:).*(~(Tp+Tm)))+ub'.*Tp+lb'.*Tm;
      SalpFitness(1,i)=fobj(SalpPositions(i,:));
      if SalpFitness(1,i)<FoodFitness
          FoodPosition=SalpPositions(i,:);
          FoodFitness=SalpFitness(1,i); 
      end
  end
  Convergence_curve(l)=FoodFitness;
  l = l + 1;
end