麻雀搜索算法优化支持向量机python

import numpy as np # import function as fun import sys import matplotlib.pyplot as plt from sklearn.metrics import r2_score, mean_squared_error, accuracy_score from sklearn.model_selection import train_test_split from sklearn.svm import SVC import warnings warnings.filterwarnings("ignore") x = [] y = [] data = open('E:/麻雀算法优化支持向量机/pca.csv', encoding='UTF-8-sig') for line in data.readlines(): lineArr = line.strip().split(',') # data_train.append(lineArr) x.append(lineArr[1:5]) y.append(lineArr[0]) x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.3) def fitness(ind_var): x1 = ind_var[0] x2 = ind_var[1] svc = SVC(kernel='rbf', C=x1, gamma=x2) # 参数gamma和惩罚参数c # cv_scores = cross_val_score(svc, x_train, y_train, cv=3, scoring='accuracy') # print(cv_scores.mean()) svc.fit(x_train, y_train) predict = svc.predict(x_test) print("得分：", r2_score(y_test, predict)) return 1-accuracy_score(y_test, predict) # 对超过边界的变量进行去除 def Bounds(s, Lb, Ub): temp = s for i in range(len(s)): if temp[i]<Lb[0,i]: temp[i]=Lb[0,i] elif temp[i]>Ub[0,i]: temp[i]=Ub[0,i] return temp def SSA(pop, M, c, d, dim): #global fit P_percent=0.2 pNum = round(pop*P_percent) # 生产者的人口规模占总人口规模的20% lb = c*np.ones((1, dim)) # 生成1*dim的全1矩阵，并全乘以c；lb是下限 ub = d*np.ones((1, dim)) # ub是上限 X = np.zeros((pop, dim)) # 生成pop*dim的全0矩阵，代表麻雀位置 fit = np.zeros((pop, 1)) # 适应度值初始化 for i in range(pop): X[i, :] = lb+(ub-lb)*np.random.rand(1, dim) # 麻雀属性随机初始化初始值 fit[i, 0] = fitness(X[i, :]) # 初始化最佳适应度值 pFit = fit #最佳适应度矩阵 pX = X # 最佳种群位置 fMin = np.min(fit[:, 0]) # fMin表示全局最优适应值，生产者能量储备水平取决于对个人适应度值的评估 bestI = np.argmin(fit[:, 0]) bestX = X[bestI, :] # bestX表示fMin对应的全局最优位置的变量信息 Convergence_curve = np.zeros((1, M)) # 初始化收敛曲线 for t in range(M): # 迭代更新 sortIndex = np.argsort(pFit.T) # 对麻雀的适应度值进行排序，并取出下标 fmax = np.max(pFit[:, 0]) # 取出最大的适应度值 B = np.argmax(pFit[:, 0]) # 取出最大的适应度值得下标 worse = X[B, :] # 最差适应度 r2 = np.random.rand(1) # 预警值 # 这一部位为发现者（探索者）的位置更新 if r2 < 0.8: # 预警值较小，说明没有捕食者出现 for i in range(pNum): r1 = np.random.rand(1) X[sortIndex[0, i], :] = pX[sortIndex[0, i], :]*np.exp(-(i)/(r1*M)) # 对自变量做一个随机变换 X[sortIndex[0, i], :] = Bounds(X[sortIndex[0, i], :], lb, ub) # 对超过边界的变量进行去除 fit[sortIndex[0, i], 0] = fitness(X[sortIndex[0, i], :]) # 算新的适应度值 elif r2 >= 0.8: # 预警值较大，说明有捕食者出现威胁到了种群的安全，需要去其它地方觅食 for i in range(pNum): Q = np.random.rand(1) # 也可以替换成 np.random.normal(loc=0, scale=1.0, size=1) X[sortIndex[0, i], :] = pX[sortIndex[0, i], :]+Q*np.ones((1, dim)) # Q是服从正态分布的随机数。L表示一个1×d的矩阵 X[sortIndex[0, i], :] = Bounds(X[sortIndex[0, i], :], lb, ub) fit[sortIndex[0, i], 0] = fitness(X[sortIndex[0, i], :]) bestII = np.argmin(fit[:, 0]) bestXX = X[bestII, :] # 这一部位为加入者（追随者）的位置更新 for ii in range(pop-pNum): i = ii+pNum A = np.floor(np.random.rand(1, dim)*2)*2-1 if i > pop/2: # 这个代表这部分麻雀处于十分饥饿的状态（因为它们的能量很低，也就是适应度值很差），需要到其它地方觅食 Q = np.random.rand(1) # 也可以替换成 np.random.normal(loc=0, scale=1.0, size=1) X[sortIndex[0, i], :] = Q*np.exp(worse-pX[sortIndex[0, i], :]/np.square(i)) else: # 这一部分追随者是围绕最好的发现者周围进行觅食，其间也有可能发生食物的争夺，使其自己变成生产者 X[sortIndex[0, i], :] = bestXX+np.dot(np.abs(pX[sortIndex[0, i], :]-bestXX), 1/(A.T*np.dot(A, A.T)))*np.ones((1, dim)) X[sortIndex[0, i], :] = Bounds(X[sortIndex[0, i], :], lb, ub) fit[sortIndex[0, i], 0] = fitness(X[sortIndex[0, i], :]) # 这一部位为意识到危险（注意这里只是意识到了危险，不代表出现了真正的捕食者）的麻雀的位置更新 # np.arange()函数返回一个有终点和起点的固定步长的排列，如[1,2,3,4,5]，起点是1，终点是5，步长为1。 # 一个参数时，参数值为终点，起点取默认值0，步长取默认值1 arrc = np.arange(len(sortIndex[0, :])) #c=np.random.shuffle(arrc) # 这个的作用是在种群中随机产生其位置（也就是这部分的麻雀位置一开始是随机的，意识到危险了要进行位置移动， # 处于种群外围的麻雀向安全区域靠拢，处在种群中心的麻雀则随机行走以靠近别的麻雀） c = np.random.permutation(arrc) # 随机排列序列 b = sortIndex[0, c[0:20]] for j in range(len(b)): if pFit[sortIndex[0, b[j]], 0] > fMin: X[sortIndex[0, b[j]], :] = bestX+np.random.rand(1, dim)*np.abs(pX[sortIndex[0,b[j]],:]-bestX) else: X[sortIndex[0, b[j]], :] = pX[sortIndex[0, b[j]], :]+(2*np.random.rand(1)-1)*np.abs(pX[sortIndex[0,b[j]],:]-worse)/(pFit[sortIndex[0,b[j]]]-fmax+10**(-50)) X[sortIndex[0, b[j]], :] = Bounds(X[sortIndex[0, b[j]], :],lb,ub) fit[sortIndex[0, b[j]], 0] = fitness(X[sortIndex[0, b[j]]]) for i in range(pop): if fit[i, 0] < pFit[i, 0]: pFit[i, 0] = fit[i, 0] pX[i, :] = X[i, :] if pFit[i, 0] < fMin: fMin = pFit[i, 0] bestX = pX[i, :] Convergence_curve[0, t] = fMin #print(fMin) #print(bestX) return fMin, bestX, Convergence_curve [fMin,bestX,SSA_curve]=SSA(50, 50, 0.001, 1000, 2) print(['最优值为：',fMin]) print(['最优变量为：', bestX]) thr1 = np.arange(len(SSA_curve[0, :])) plt.plot(thr1, SSA_curve[0, :]) plt.xlabel('num') plt.ylabel('object value') plt.title('line') plt.show()