【优化分类】基于matlab遗传算法优化支持向量机分类（多输入多分类）【含Matlab源码 QF003期】

一、遗传算法优化支持向量机简介

1 支持向量机分类器
支持向量机算法的思想是,对给定的样本集,求一个超平面,将样本集按照的不同分开,同时要求该超平面能够将未见测试集正确地分成两类。

2 参数选取对分类器模型的影响
由于错误代价系数C与高斯核函数中的σ对样本的影响,进而会改变分类器的性质,所以C和σ是高斯径向基核SVM分类器中非常重要的参数。如何选择合理C和σ的值或它们的组合,对于支持向量机来说分类效果有着重要的作用。

优化SVM参数(C,σ)的算法主要有网格搜索法、双线性搜索法、拟牛顿法等。网格搜索法是把精度最高的一个参数组合作为支持向量机的最优参数,这是耗时相当长的过程且预测精确度十分低;双线性搜索法对线性最优参数的准确性依赖较大[16];拟牛顿法对实验者设定的初值要求很高,不适合广泛使用;此外,梯度下降算法虽然其可以有效地进行参数选择,但是这种方法求导困难、通用性差。

遗传算法在概率意义上对问题进行全局搜素求解,不会陷入局部最优解,在计算过程中的内在并行性,可以提高求解速度。所以本文使用遗传算法对错误代价系数C和高斯核函数的σ进行求解。通过编码将待求的C和σ模拟成一个种群,模仿自然界生物遗传的特性对这个种群进行选择、交叉以及变异操作,生成子代。并且在目标函数的指引下模仿自然环境对子代进行选择淘汰。如此反复生成子代,并对子代选择淘汰,C和σ的值在“优胜劣汰”中慢慢向着目标方向靠拢,最后可以找到最优解。

二、部分源代码

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.
[6]张沫,郑慧峰,倪豪,王月兵,郭成成.基于遗传算法优化支持向量机的超声图像缺陷分类[J].计量学报. 2019,40(05)