1 简介
针对经典支持向量机不适用于非平衡数据集分类的缺点,本研究结合径向基核函数,布谷鸟算法以及支持向量机,提出一种基于布谷鸟算法优化支持向量机的分类识别模型,用于分类诊断.在收集到的735例有效样本数据集上,采用matlab程序抽取平衡数据集.实验结果显示,基于平衡数据集,该模型的平均正确率为80.667%;基于非平衡数据集,其平均正确率为97.767%,相比经典支持向量机,粒子群算法-支持向量机,遗传算法-支持向量机均有不同程度的提高.因此,本研究模型对胸痛三联征的分类诊断具有一定的参考价值.
2 部分代码
function [fmin, bestnest, Curve] = CS(nest, N, Max_iter, Lb, Ub, dim, fobj)
%% CS参数
% 发现概率
pa = 0.25;
% 初始最优解
fitness = 10^10*ones(N, 1);
[fmin, bestnest, nest, fitness] = get_best_nest(nest, nest, fitness);
% N_iter = 0;
%% 迭代寻优
for iter = 1:Max_iter
%% 通过莱维飞行得到新个体
beta = 3/2;
sigma = (gamma(1+beta)*sin(pi*beta/2)/(gamma((1+beta)/2)*beta*2^((beta-1)/2)))^(1/beta);
for i = 1:N
s = nest(i, :);
% 用蒙特卡洛方法模拟莱维飞行
u = randn(size(s))*sigma;
v = randn(size(s));
step = u./abs(v).^(1/beta);
stepsize = 0.01*step.*(s-bestnest);
s=s+stepsize.*randn(size(s));
% 边界处理
new_nest(i, :) = simplebounds(s, Lb, Ub);
end
% 新个体和旧个体适应度值贪婪比较，选取最优个体
[fnew, best, nest, fitness] = get_best_nest(nest, new_nest, fitness);
% % 更新计数器
% N_iter = N_iter+N;
% 发现和随机化
new_nest = empty_nests(nest, Lb, Ub, pa) ;
% 新个体和旧个体适应度值贪婪比较，选取最优个体
[fnew, best, nest, fitness] = get_best_nest(nest, new_nest, fitness);
% % 再次更新计数器
% N_iter = N_iter+N;
% 更新全局最优解
if fnew < fmin
fmin = fnew;
bestnest = best;
end
%% 记录每代最优解
Curve(iter) = fmin;
%% 显示每代优化结果
display(['CS:At iteration ', num2str(iter), ' the best fitness is ', num2str(fmin)]);
end
%% Display all the nests
% disp(strcat('Total number of iterations=', num2str(N_iter)));
%% 最终结果显示
disp(['最终位置：' , num2str(bestnest)]);
disp(['最终函数值：', num2str(Curve(end))]);
% %% 绘图
% figure;
% plot(Curve, 'r', 'lineWidth', 2); % 画出迭代图
% xlabel('迭代次数', 'fontsize', 12);
% ylabel('目标函数值', 'fontsize', 12);
%% ---------------下面列出了所有子函数------------------
%% 发现最优位置
function [fmin, best, nest, fitness] = get_best_nest(nest, newnest, fitness)
for j = 1:size(nest,1)
fnew = fobj(newnest(j,:));
if fnew <= fitness(j)
fitness(j) = fnew;
nest(j, :) = newnest(j, :);
end
end
% Find the current best
[fmin, K] = min(fitness) ;
best = nest(K, :);
end
%% 通过构造新的个体来替代某些个体
function new_nest = empty_nests(nest, Lb, Ub, pa)
% 一小部分更糟的巢穴被发现的概率为pa
n = size(nest, 1);
% 发现与否——一个状态向量
K = rand(size(nest)) > pa;
% 有偏/选择随机游动的新解
stepsize = rand*(nest(randperm(n), :)-nest(randperm(n), :));
new_nest = nest+stepsize.*K;
for j = 1:size(new_nest, 1)
s = new_nest(j, :);
new_nest(j, :) = simplebounds(s, Lb, Ub);
end
end
%% 边界处理
function s = simplebounds(s,Lb,Ub)
% Apply the lower bound
ns_tmp = s;
I = ns_tmp<Lb;
ns_tmp(I) = Lb;
% Apply the upper bounds
J = ns_tmp>Ub;
ns_tmp(J) = Ub;
% Update this new move
s = ns_tmp;
end
end
3 仿真结果
4 参考文献
[1]胡智强等. "基于布谷鸟搜索优化支持向量机的短期负荷预测." 水电能源科学 34.12(2016):4.
博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，相关matlab代码问题可私信交流。
部分理论引用网络文献，若有侵权联系博主删除。
