差分进化灰狼优化算法matlab源码详细中文注释

function [bestc,bestg,test_pre]=my_HGWO_SVR(para,input_train,output_train,input_test,output_test) % 参数向量 parameters [n,N_iteration,beta_min,beta_max,pCR] % n为种群规模，N_iteration为迭代次数 % beta_min 缩放因子下界 Lower Bound of Scaling Factor % beta_max=0.8; % 缩放因子上界 Upper Bound of Scaling Factor % pCR 交叉概率 Crossover Probability % 要求输入数据为列向量（矩阵） %% 数据归一化 [input_train,rule1]=mapminmax(input_train'); [output_train,rule2]=mapminmax(output_train'); input_test=mapminmax('apply',input_test',rule1); output_test=mapminmax('apply',output_test',rule2); input_train=input_train'; output_train=output_train'; input_test=input_test'; output_test=output_test'; %% 利用差分进化-灰狼优化混合算法（DE_GWO）选择最佳的SVR参数 nPop=para(1); % 种群规模 Population Size MaxIt=para(2); % 最大迭代次数Maximum Number of Iterations nVar=2; % 自变量维数，此例需要优化两个参数c和g Number of Decision Variables VarSize=[1,nVar]; % 决策变量矩阵大小 Decision Variables Matrix Size beta_min=para(3); % 缩放因子下界 Lower Bound of Scaling Factor beta_max=para(4); % 缩放因子上界 Upper Bound of Scaling Factor pCR=para(5); % 交叉概率 Crossover Probability lb=[0.01,0.01]; % 参数取值下界 ub=[100,100]; % 参数取值上界 %% 初始化 % 父代种群初始化 parent_Position=init_individual(lb,ub,nVar,nPop); % 随机初始化位置 parent_Val=zeros(nPop,1); % 目标函数值 for i=1:nPop % 遍历每个个体 parent_Val(i)=fobj(parent_Position(i,:),input_train,output_train,input_test,output_test); % 计算个体目标函数值 end % 突变种群初始化 mutant_Position=init_individual(lb,ub,nVar,nPop); % 随机初始化位置 mutant_Val=zeros(nPop,1); % 目标函数值 for i=1:nPop % 遍历每个个体 mutant_Val(i)=fobj(mutant_Position(i,:),input_train,output_train,input_test,output_test); % 计算个体目标函数值 end % 子代种群初始化 child_Position=init_individual(lb,ub,nVar,nPop); % 随机初始化位置 child_Val=zeros(nPop,1); % 目标函数值 for i=1:nPop % 遍历每个个体 child_Val(i)=fobj(child_Position(i,:),input_train,output_train,input_test,output_test); % 计算个体目标函数值 end %% 确定父代种群中的Alpha,Beta,Delta狼 [~,sort_index]=sort(parent_Val); % 父代种群目标函数值排序 parent_Alpha_Position=parent_Position(sort_index(1),:); % 确定父代Alpha狼 parent_Alpha_Val=parent_Val(sort_index(1)); % 父代Alpha狼目标函数值 parent_Beta_Position=parent_Position(sort_index(2),:); % 确定父代Beta狼 parent_Delta_Position=parent_Position(sort_index(3),:); % 确定父代Delta狼 %% 迭代开始 BestCost=zeros(1,MaxIt); BestCost(1)=parent_Alpha_Val; for it=1:MaxIt a=2-it*((2)/MaxIt); % 对每一次迭代，计算相应的a值，a decreases linearly fron 2 to 0 % 更新父代个体位置 for par=1:nPop % 遍历父代个体 for var=1:nVar % 遍历每个维度 % Alpha狼Hunting r1=rand(); % r1 is a random number in [0,1] r2=rand(); % r2 is a random number in [0,1] A1=2*a*r1-a; % 计算系数A C1=2*r2; % 计算系数C D_alpha=abs(C1*parent_Alpha_Position(var)-parent_Position(par,var)); X1=parent_Alpha_Position(var)-A1*D_alpha; % Beta狼Hunting r1=rand(); r2=rand(); A2=2*a*r1-a; % 计算系数A C2=2*r2; % 计算系数C D_beta=abs(C2*parent_Beta_Position(var)-parent_Position(par,var)); X2=parent_Beta_Position(var)-A2*D_beta; % Delta狼Hunting r1=rand(); r2=rand(); A3=2*a*r1-a; % 计算系数A C3=2*r2; % 计算系数C D_delta=abs(C3*parent_Delta_Position(var)-parent_Position(par,var)); X3=parent_Delta_Position(var)-A3*D_delta; % 位置更新，防止越界 X=(X1+X2+X3)/3; X=max(X,lb(var)); X=min(X,ub(var)); parent_Position(par,var)=X; end parent_Val(par)=fobj(parent_Position(par,:),input_train,output_train,input_test,output_test); % 计算个体目标函数值 end % 产生变异（中间体）种群 for mut=1:nPop A=randperm(nPop); % 个体顺序重新随机排列 A(A==i)=[]; % 当前个体所排位置腾空（产生变异中间体时当前个体不参与） a=A(1); b=A(2); c=A(3); beta=unifrnd(beta_min,beta_max,VarSize); % 随机产生缩放因子 y=parent_Position(a)+beta.*(parent_Position(b)-parent_Position(c)); % 产生中间体 % 防止中间体越界 y=max(y,lb); y=min(y,ub); mutant_Position(mut,:)=y; end % 产生子代种群，交叉操作 Crossover for child=1:nPop x=parent_Position(child,:); y=mutant_Position(child,:); z=zeros(size(x)); % 初始化一个新个体 j0=randi([1,numel(x)]); % 产生一个伪随机数，即选取待交换维度编号？？？ for var=1:numel(x) % 遍历每个维度 if var==j0 || rand<=pCR % 如果当前维度是待交换维度或者随机概率小于交叉概率 z(var)=y(var); % 新个体当前维度值等于中间体对应维度值 else z(var)=x(var); % 新个体当前维度值等于当前个体对应维度值 end end child_Position(child,:)=z; % 交叉操作之后得到新个体 child_Val(child)=fobj(z,input_train,output_train,input_test,output_test); % 新个体目标函数值 end % 父代种群更新 for par=1:nPop if child_Val(par)<parent_Val(par) % 如果子代个体优于父代个体 parent_Val(par)=child_Val(par); % 更新父代个体 end end % 确定父代种群中的Alpha,Beta,Delta狼 [~,sort_index]=sort(parent_Val); % 父代种群目标函数值排序 parent_Alpha_Position=parent_Position(sort_index(1),:); % 确定父代Alpha狼 parent_Alpha_Val=parent_Val(sort_index(1)); % 父代Alpha狼目标函数值 parent_Beta_Position=parent_Position(sort_index(2),:); % 确定父代Beta狼 parent_Delta_Position=parent_Position(sort_index(3),:); % 确定父代Delta狼 BestCost(it)=parent_Alpha_Val; end bestc=parent_Alpha_Position(1,1); bestg=parent_Alpha_Position(1,2); %% 图示寻优过程 plot(BestCost); xlabel('Iteration'); ylabel('Best Val'); grid on; %% 利用回归预测分析最佳的参数进行SVM网络训练 cmd_cs_svr=['-s 3 -t 2',' -c ',num2str(bestc),' -g ',num2str(bestg)]; model_cs_svr=svmtrain(output_train,input_train,cmd_cs_svr); % SVM模型训练 %% SVM网络回归预测 [output_test_pre,~]=svmpredict(output_test,input_test,model_cs_svr); % SVM模型预测及其精度 test_pre=mapminmax('reverse',output_test_pre',rule2); test_pre = test_pre';