【SVM分类】基于海鸥算法优化支持向量机SVM实现分类附matlab的代码

本文链接：https://blog.youkuaiyun.com/matlab_dingdang/article/details/125054677

1 简介

支持向量机是一种建立在统计学习理论上的机器学习方法, 它追求结构化风险最小而不是经验风险最小, 具有很强的推广能力. SVM 是从线性可分的二分类问题发展而来的, 其基本思想是寻找两类样本的最优分类面, 使得两类样本的分类间隔 ( margin) 最大. 以图 1 所示为例. 图中: 实心点和空心点分别代表两类样本; H 为分类线, H1 和 H2 分别为各类中离分类线最近的样本且平行于分类线的直线, 它们之间的距离称为分类间隔. 所谓最优分类线就是要求分类线不但能将两类正确分开, 而且使分类间隔最大.

2 部分代码

function[Score,Position,Convergence]=SOA(Search_Agents,Max_iterations,Lower_bound,Upper_bound,dimension,objective)Position=zeros(1,dimension);Score=inf; Positions=init(Search_Agents,dimension,Upper_bound,Lower_bound);Convergence=zeros(1,Max_iterations);l=0;while l<Max_iterations    for i=1:size(Positions,1)                  Flag4Upper_bound=Positions(i,:)>Upper_bound;        Flag4Lower_bound=Positions(i,:)<Lower_bound;        Positions(i,:)=(Positions(i,:).*(~(Flag4Upper_bound+Flag4Lower_bound)))+Upper_bound.*Flag4Upper_bound+Lower_bound.*Flag4Lower_bound;                               fitness=objective(Positions(i,:));                if fitness<Score             Score=fitness;             Position=Positions(i,:);        end            end            Fc=2-l*((2)/Max_iterations);         for i=1:size(Positions,1)        for j=1:size(Positions,2)                                        r1=rand();             r2=rand();                         A1=2*Fc*r1-Fc;             C1=2*r2;             b=1;                         ll=(Fc-1)*rand()+1;                     D_alphs=Fc*Positions(i,j)+A1*((Position(j)-Positions(i,j)));                               X1=D_alphs*exp(b.*ll).*cos(ll.*2*pi)+Position(j);            Positions(i,j)=X1;                    end    end    l=l+1;        Convergence(l)=Score;end