灰狼优化算法-MATLAB

腐朽的梦想

1. tic % 计时器
   
2. %% 清空环境变量
   
3. close all
   
4. clear
   
5. clc
   
6. format compact
   
7. %% 数据提取
   
8. % 载入测试数据wine,其中包含的数据为classnumber = 3,wine:178*13的矩阵,wine_labes:178*1的列向量
   
9. load wine.mat
   
10. % 选定训练集和测试集
    
11. % 将第一类的1-30,第二类的60-95,第三类的131-153做为训练集
    
12. train_wine = [wine(1:30,:);wine(60:95,:);wine(131:153,:)];
    
13. % 相应的训练集的标签也要分离出来
    
14. train_wine_labels = [wine_labels(1:30);wine_labels(60:95);wine_labels(131:153)];
    
15. % 将第一类的31-59,第二类的96-130,第三类的154-178做为测试集
    
16. test_wine = [wine(31:59,:);wine(96:130,:);wine(154:178,:)];
    
17. % 相应的测试集的标签也要分离出来
    
18. test_wine_labels = [wine_labels(31:59);wine_labels(96:130);wine_labels(154:178)];
    
19. %% 数据预处理
    
20. % 数据预处理,将训练集和测试集归一化到[0,1]区间
    
21. [mtrain,ntrain] = size(train_wine);
    
22. [mtest,ntest] = size(test_wine);
    
23. 
    
24. dataset = [train_wine;test_wine];
    
25. % mapminmax为MATLAB自带的归一化函数
    
26. [dataset_scale,ps] = mapminmax(dataset',0,1);
    
27. dataset_scale = dataset_scale';
    
28. 
    
29. train_wine = dataset_scale(1:mtrain,:);
    
30. test_wine = dataset_scale( (mtrain+1):(mtrain+mtest),: );
    
31. %% 利用灰狼算法选择最佳的SVM参数c和g
    
32. SearchAgents_no=10; % 狼群数量，Number of search agents
    
33. Max_iteration=10; % 最大迭代次数，Maximum numbef of iterations
    
34. dim=2; % 此例需要优化两个参数c和g，number of your variables
    
35. lb=[0.01,0.01]; % 参数取值下界
    
36. ub=[100,100]; % 参数取值上界
    
37. % v = 5; % SVM Cross Validation参数,默认为5
    
38. 
    
39. % initialize alpha, beta, and delta_pos
    
40. Alpha_pos=zeros(1,dim); % 初始化Alpha狼的位置
    
41. Alpha_score=inf; % 初始化Alpha狼的目标函数值，change this to -inf for maximization problems
    
42. 
    
43. Beta_pos=zeros(1,dim); % 初始化Beta狼的位置
    
44. Beta_score=inf; % 初始化Beta狼的目标函数值，change this to -inf for maximization problems
    
45. 
    
46. Delta_pos=zeros(1,dim); % 初始化Delta狼的位置
    
47. Delta_score=inf; % 初始化Delta狼的目标函数值，change this to -inf for maximization problems
    
48. 
    
49. %Initialize the positions of search agents
    
50. Positions=initialization(SearchAgents_no,dim,ub,lb);
    
51. 
    
52. Convergence_curve=zeros(1,Max_iteration);
    
53. 
    
54. l=0; % Loop counter循环计数器
    
55. 
    
56. % Main loop主循环
    
57. while l<Max_iteration  % 对迭代次数循环
    
58.     for i=1:size(Positions,1)  % 遍历每个狼
    
59.         
    
60.        % Return back the search agents that go beyond the boundaries of the search space
    
61.        % 若搜索位置超过了搜索空间，需要重新回到搜索空间
    
62.         Flag4ub=Positions(i,:)>ub;
    
63.         Flag4lb=Positions(i,:)<lb;
    
64.         % 若狼的位置在最大值和最小值之间，则位置不需要调整，若超出最大值，最回到最大值边界；
    
65.         % 若超出最小值，最回答最小值边界
    
66.         Positions(i,:)=(Positions(i,:).*(~(Flag4ub+Flag4lb)))+ub.*Flag4ub+lb.*Flag4lb; % ~表示取反           
    
67.      
    
68.       % 计算适应度函数值
    
69.        cmd = [' -c ',num2str(Positions(i,1)),' -g ',num2str(Positions(i,2))];
    
70.        model=svmtrain(train_wine_labels,train_wine,cmd); % SVM模型训练
    
71.        [~,fitness]=svmpredict(test_wine_labels,test_wine,model); % SVM模型预测及其精度
    
72.        fitness=100-fitness(1); % 以错误率最小化为目标
    
73.    
    
74.         % Update Alpha, Beta, and Delta
    
75.         if fitness<Alpha_score % 如果目标函数值小于Alpha狼的目标函数值
    
76.             Alpha_score=fitness; % 则将Alpha狼的目标函数值更新为最优目标函数值，Update alpha
    
77.             Alpha_pos=Positions(i,:); % 同时将Alpha狼的位置更新为最优位置
    
78.         end
    
79.         
    
80.         if fitness>Alpha_score && fitness<Beta_score % 如果目标函数值介于于Alpha狼和Beta狼的目标函数值之间
    
81.             Beta_score=fitness; % 则将Beta狼的目标函数值更新为最优目标函数值，Update beta
    
82.             Beta_pos=Positions(i,:); % 同时更新Beta狼的位置
    
83.         end
    
84.         
    
85.         if fitness>Alpha_score && fitness>Beta_score && fitness<Delta_score  % 如果目标函数值介于于Beta狼和Delta狼的目标函数值之间
    
86.             Delta_score=fitness; % 则将Delta狼的目标函数值更新为最优目标函数值，Update delta
    
87.             Delta_pos=Positions(i,:); % 同时更新Delta狼的位置
    
88.         end
    
89.     end
    
90.    
    
91.     a=2-l*((2)/Max_iteration); % 对每一次迭代，计算相应的a值，a decreases linearly fron 2 to 0
    
92.    
    
93.     % Update the Position of search agents including omegas
    
94.     for i=1:size(Positions,1) % 遍历每个狼
    
95.         for j=1:size(Positions,2) % 遍历每个维度
    
96.             
    
97.             % 包围猎物，位置更新
    
98.             
    
99.             r1=rand(); % r1 is a random number in [0,1]
    
100.             r2=rand(); % r2 is a random number in [0,1]
     
101.             
     
102.             A1=2*a*r1-a; % 计算系数A，Equation (3.3)
     
103.             C1=2*r2; % 计算系数C，Equation (3.4)
     
104.             
     
105.             % Alpha狼位置更新
     
106.             D_alpha=abs(C1*Alpha_pos(j)-Positions(i,j)); % Equation (3.5)-part 1
     
107.             X1=Alpha_pos(j)-A1*D_alpha; % Equation (3.6)-part 1
     
108.                        
     
109.             r1=rand();
     
110.             r2=rand();
     
111.             
     
112.             A2=2*a*r1-a; % 计算系数A，Equation (3.3)
     
113.             C2=2*r2; % 计算系数C，Equation (3.4)
     
114.             
     
115.             % Beta狼位置更新
     
116.             D_beta=abs(C2*Beta_pos(j)-Positions(i,j)); % Equation (3.5)-part 2
     
117.             X2=Beta_pos(j)-A2*D_beta; % Equation (3.6)-part 2      
     
118.             
     
119.             r1=rand();
     
120.             r2=rand();
     
121.             
     
122.             A3=2*a*r1-a; % 计算系数A，Equation (3.3)
     
123.             C3=2*r2; % 计算系数C，Equation (3.4)
     
124.             
     
125.             % Delta狼位置更新
     
126.             D_delta=abs(C3*Delta_pos(j)-Positions(i,j)); % Equation (3.5)-part 3
     
127.             X3=Delta_pos(j)-A3*D_delta; % Equation (3.5)-part 3            
     
128.             
     
129.             % 位置更新
     
130.             Positions(i,j)=(X1+X2+X3)/3;% Equation (3.7)
     
131.             
     
132.         end
     
133.     end
     
134.     l=l+1;   
     
135.     Convergence_curve(l)=Alpha_score;
     
136. end
     
137. bestc=Alpha_pos(1,1);
     
138. bestg=Alpha_pos(1,2);
     
139. bestGWOaccuarcy=Alpha_score;
     
140. %% 打印参数选择结果
     
141. disp('打印选择结果');
     
142. str=sprintf('Best Cross Validation Accuracy = %g%%，Best c = %g，Best g = %g',bestGWOaccuarcy*100,bestc,bestg);
     
143. disp(str)
     
144. %% 利用最佳的参数进行SVM网络训练
     
145. cmd_gwosvm = ['-c ',num2str(bestc),' -g ',num2str(bestg)];
     
146. model_gwosvm = svmtrain(train_wine_labels,train_wine,cmd_gwosvm);
     
147. %% SVM网络预测
     
148. [predict_label,accuracy] = svmpredict(test_wine_labels,test_wine,model_gwosvm);
     
149. % 打印测试集分类准确率
     
150. total = length(test_wine_labels);
     
151. right = sum(predict_label == test_wine_labels);
     
152. disp('打印测试集分类准确率');
     
153. str = sprintf( 'Accuracy = %g%% (%d/%d)',accuracy(1),right,total);
     
154. disp(str);
     
155. %% 结果分析
     
156. % 测试集的实际分类和预测分类图
     
157. figure;
     
158. hold on;
     
159. plot(test_wine_labels,'o');
     
160. plot(predict_label,'r*');
     
161. xlabel('测试集样本','FontSize',12);
     
162. ylabel('类别标签','FontSize',12);
     
163. legend('实际测试集分类','预测测试集分类');
     
164. title('测试集的实际分类和预测分类图','FontSize',12);
     
165. grid on
     
166. snapnow
     
167. %% 显示程序运行时间
     
168. toc

复制代码