蝗虫的天敌_蚂蚱蚱蜢和蝗虫的区别「建议收藏」

基于蝗虫（蚱蜢）优化算法GOA优化的支持向量机分类模型SVM及其MATLAB实现-附代码

1. 模型与算法描述

1.1 蝗虫优化算法原理介绍

蝗 虫 优 化 算 法 ( Grasshopper Optimization Algorithm, GOA) 是一种新型的元启发式算法，由 Mirjalili 等人于2017年提出。该算法受幼虫和成年蝗虫大范围移动与寻找食物源的聚集行为启发，具有操作参数少，公式简单的特点。针对基准测试函数优化问题的实验结果表明，GOA的收敛性优于粒子群算法。

1.1.1 蝗虫群的位置移动

$$X_i^d=c\left(\sum _{j=1,j\ne i}^{N}c\frac{u{b}_d-l{b}_d}{2}s\left(\left|x_j^d-x_i^d\right|\right)\frac{x_j-x_i}{d_{ij}}\right)+T_d(1)$$

式中，$d$是表示变量维度，$i,j$表示蝗虫个体编号，$u{b}_d、l{b}_d$分别表示变量的上限与下限，$T_d$表示最优的蝗虫个体位置，$d_{ij}$是两个蝗虫个体之间的欧式距离，c是控制参数，用于平衡算法的全局探索和局部开发。函数$s()$表示两个蝗虫个体之间的交互力影响。

控制参数 $c$ 一般设计为线性递减，使得算法具有动态与不确定搜索能力：
$$c={\mathrm{c}}_{\max }-t\frac{{\mathrm{c}}_{\max }-{\mathrm{c}}_{\min }}{{\mathrm{T}}_{\max }}(2)$$

式中，$c_{max}、c_{min}$分别表示递减区间的最大值与最小值，$t$表示当前的迭代次数，$T_{max}$表示最大迭代次数。

1.1.2 蝗虫个体之间的相互影响

$$s(r)=f{\mathrm{e}}^{\frac{-r}{l}}-{\mathrm{e}}^{-r}(3)$$

式中，$f、l$分别表示吸引强度参数与吸引尺度参数，取0.5和1.5。
$s(r)>0$时，$r$的取值范围表示吸引区.
$s(r)<0$时，$r$的取值范围表示排斥区.
$s(r)=0$时，蝗虫个体之间既不排除也不吸引，$r$的取值范围表示舒适区.

1.1.3 蝗虫优化算法的基本实现步骤

1. 初始化最大迭代次数N，种群大小n，变量范围，控制参数的最大值最小值等参数。
2. 初始化种群位置，计算初始的个体适应度，并得到最优蝗虫位置与适应度。
3. 开始循环（K=1）：使用公式（2）、（3）更新参数。使用公式（1）更新蝗虫个体的位置，并检查是否越界。
4. 计算每个蝗虫的适应度，更新到目前为止找到的最优食物源（即最优个体位置与适应度）。
5. 重复执行步骤3和4，直到满足最大迭代次数，结束循环（K=N）。
6. 返回最优的参数取值和最优的适应度值。

1.2 支持向量机分类介绍

使用台湾林智仁教授开发的libsvm支持向量机库函数，可以进行支持向量机的多分类，并且能简单的设置支持向量机核函数属性，比如线性核函数，多项式核函数，RBF核函数。RBF核函数具有映射范围广、运算快速等特点，使用较为广泛。在libsvm的库函数中，$C$的值为1，$\sigma$默认取1/k，k为总类别数。这两个参数的取值与支持向量机模型学习能力的关系如下图所示：

使用智能优化算法优化支持向量机分类时，大多通过优化惩罚参数$C$与核函数参数$\sigma$来提高分类精度。

2. 蝗虫优化算法GOA优化支持向量机分类模型的构建过程

数据来源： 采用意大利红酒数据集进行分类模型的实现。数据集大小为178组样本，每组样本都具有13个特征，3种标签类型。获取的类型一般采用01的索引编码：

为了方便操作，将特征与整数类型放到EXCEL中，读取代码的命令如下：

%% 读取数据
data=xlsread('数据.xlsx','Sheet1','A1:N178');  %使用xlsread函数读取EXCEL中对应范围的数据即可  

%输入输出数据
input=data(:,1:end-1);    %data的第一列-倒数第二列为特征指标
output_labels=data(:,end);  %data的最后面一列为标签类型

2.1 优化模型的建立

优化惩罚参数c与核参数$\sigma$，目标函数采用五折交叉验证的最佳准确率。目标函数公式如下：
$$\text{ Fitness }=\frac{n}{N}\times 100\%$$
式中，$n$为识别准确的样本统计个数，$N$为识别的样本总数。适应度越大，说明优化模型的识别准确率越高。

2.2 算法流程

3. GOA-SVM数据分类模型的参数设置

GOA算法的参数设置：

% GOA的参数选项初始化
goa_option.maxgen = 100;                     %最大迭代次数
goa_option.sizepop = 20;                %种群大小
goa_option.cbound = [1e-5,1000];         %惩罚参数C的优化范围
goa_option.gbound = [1e-5,1000];        %核参数g的优化范围
goa_option.v = 5;                %交叉验证折数

%系数c的变化范围
cMax=1;
cMin=0.00004;
f=0.5;L=1.5;   %相互作用力公式的系数常量

GOA优化后的参数赋给SVM：

%% 利用最佳的参数进行SVM网络训练
cmd = ['-c ',num2str(bestc),' -g ',num2str(bestg)];
model = libsvmtrain(train_output_labels,train_input,cmd);

4. 运行结果

4.1 蝗虫优化算法的适应度曲线和优化后的c、g参数值，交叉验证CV准确率

4.2 蝗虫优化算法优化后的实际类型与识别类型对比图像

从适应度曲线来看，蝗虫优化算法的收敛速度很快，但后期发生聚群行为（可能陷入局部最优）。SVM对红酒数据集的分类准确率一般为97%上下，故起到了优化的效果。

参考文献： [1]Shahrzad, Saremi, Seyedali, et al. Grasshopper Optimisation Algorithm: Theory and application[J]. Advances in Engineering Software, 2017.

5. MATLAB代码与数据下载地址

见CSDN主页资源/CSDN下载链接

https://download.csdn.net/download/qq_57971471/87729962

今天的文章蝗虫的天敌_蚂蚱蚱蜢和蝗虫的区别「建议收藏」分享到此就结束了，感谢您的阅读。