PSO-LSSVM.rar_-baijiahao_PSO_PSO—LSSVM_PSO求解_matlab pso lssvm

%% 清空环境 % clc % clear %%导入训练数据和测试数据 % train = [3000 0.176 0.2 0.2 113.04;6000 0.181 0.2 0.2 226.08;9000 0.186 0.2 0.2 339.12;12000 0.193 0.2 0.2 452.16; % 15000 0.198 0.2 0.2 565.2;18000 0.202 0.2 0.2 678.24;21000 0.208 0.2 0.2 791.28;24000 0.216 0.2 0.2 904.32; % 22000 0.05 0.2 0.05 828.96;22000 0.15 0.2 0.15 828.96;22000 0.1 0.2 0.1 828.6 ;22000 0.2 0.2 0.2 828.96; % 22000 0.25 0.2 0.25 828.96;22000 0.3 0.2 0.3 828.96;22000 0.35 0.2 0.35 828.96;22000 0.4 0.2 0.4 828.96; % 22000 0.45 0.2 0.45 828.96]; % train_out = [5.387 2.824 3.414 3.051 2.515 3.312 3.084 4.137 1.519 1.284 2.413 2.012 1.815 2.512 2.914 3.224 5.671]; % test = [4500 0.179 0.2 0.2 169.56;7500 0.184 0.2 0.2 282.6;10500 0.189 0.2 0.2 395.64;13500 0.195 0.2 0.2 508.68; % 16500 0.2 0.2 0.2 621.72;19500 0.205 0.2 0.2 734.76; 22500 0.212 0.2 0.2 847.8]; % test_out = [3.8237 2.9526 3.3824 2.8132 2.1938 2.816 3.0887]; %%数据归一化 %%归一化方法1（利用libsvm工具箱函数归一化） % [train_data,test_data]=scaleForSVM(train,test,0,1) % [train_result,test_result,pstrain1]=scaleForSVM(train_out',test_out',0,1) %%归一化方法2（利用svm自带mapminmax函数归一化） [train_data ,pstrain0] = mapminmax(train',0,1); [test_data] = mapminmax('apply',test',pstrain0); [train_result,pstrain1] = mapminmax(train_out,0,1); [test_result] = mapminmax('apply',test_out,pstrain1); train_data = train_data'; train_result=train_result'; test_data = test_data'; %% 参数初始化 %粒子群算法中的两个参数 c1 = 1.8; % c1 belongs to [0,2] c1:初始为1.5,pso参数局部搜索能力 c2 = 1.2; % c2 belongs to [0,2] c2:初始为1.7,pso参数全局搜索能力 maxgen=300; % 进化次数 sizepop=30; % 种群规模 popcmax=10^(3);% popcmax:初始为1000,SVM 参数c的变化的最大值. popcmin=10^(-1);% popcmin:初始为0.1,SVM 参数c的变化的最小值. popgmax=10^(2);% popgmax:初始为1000,SVM 参数g的变化的最大值 popgmin=10^(-2);% popgmin:初始为0.01,SVM 参数c的变化的最小值. k = 0.5; % k belongs to [0.1,1.0]; Vcmax = k*popcmax;%参数 c 迭代速度最大值 Vcmin = -Vcmax ; Vgmax = k*popgmax;%参数 g 迭代速度最大值 Vgmin = -Vgmax ; eps = 10^(-8); %%定义lssvm相关参数 type='f'; kernel = 'RBF_kernel'; proprecess='proprecess'; %% 产生初始粒子和速度 for i=1:sizepop % 随机产生种群 pop(i,1) = (popcmax-popcmin)*rand(1,1)+popcmin ; % 初始种群 pop(i,2) = (popgmax-popgmin)*rand(1,1)+popgmin; V(i,1)=Vcmax*rands(1,1); % 初始化速度 V(i,2)=Vgmax*rands(1,1); % 计算初始适应度 gam=pop(i,1); sig2=pop(i,2); model=initlssvm(train_data,train_result,type,gam,sig2,kernel,proprecess); model=trainlssvm(model); %求出训练集和测试集的预测值 [train_predict_y,zt,model]=simlssvm(model,train_data); [test_predict_y,zt,model]=simlssvm(model,test_data); %预测数据反归一化 train_predict=mapminmax('reverse',train_predict_y',pstrain1);%训练集预测值 test_predict=mapminmax('reverse',test_predict_y',pstrain1); %测试集预测值 %计算均方差 trainmse=sum((train_predict-train_out).^2)/length(train_result); testmse=sum((test_predict-test_out).^2)/length(test_result); fitness(i)=testmse; %以测试集的预测值计算的均方差为适应度值 end % 找极值和极值点 [global_fitness bestindex]=min(fitness); % 全局极值 local_fitness=fitness; % 个体极值初始化 global_x=pop(bestindex,:); % 全局极值点 local_x=pop; % 个体极值点初始化 % 每一代种群的平均适应度 avgfitness_gen = zeros(1,maxgen); tic %% 迭代寻优 for i=1:maxgen for j=1:sizepop %速度更新 wV = 1; % wV best belongs to [0.8,1.2]为速率更新公式中速度前面的弹性系数 V(j,:) = wV*V(j,:) + c1*rand*(local_x(j,:) - pop(j,:)) + c2*rand*(global_x - pop(j,:)); if V(j,1) > Vcmax %以下几个不等式是为了限定速度在最大最小之间 V(j,1) = Vcmax; end if V(j,1) < Vcmin V(j,1) = Vcmin; end if V(j,2) > Vgmax V(j,2) = Vgmax; end if V(j,2) < Vgmin V(j,2) = Vgmin; %以上几个不等式是为了限定速度在最大最小之间 end %种群更新 wP = 1; % wP:初始为1,种群更新公式中速度前面的弹性系数 pop(j,:)=pop(j,:)+wP*V(j,:); if pop(j,1) > popcmax %以下几个不等式是为了限定 c 在最大最小之间 pop(j,1) = popcmax; end if pop(j,1) < popcmin pop(j,1) = popcmin; end if pop(j,2) > popgmax %以下几个不等式是为了限定 g 在最大最小之间 pop(j,2) = popgmax; end if pop(j,2) < popgmin pop(j,2) = popgmin; end % 自适应粒子变异 if rand>0.5 k=ceil(2*rand);%ceil 是向离它最近的大整数圆整 if k == 1 pop(j,k) = (20-1)*rand+1; end if k == 2 pop(j,k) = (popgmax-popgmin)*rand+popgmin; end %%新粒子适应度值 gam=pop(j,1); sig2=pop(j,2); model=initlssvm(train_data,train_result,type,gam,sig2,kernel,proprecess); model=trainlssvm(model); %求出训练集和测试集的预测值 [train_predict_y,zt,model]=simlssvm(model,train_data); [test_predict_y,zt,model]=simlssvm(model,test_data); %预测数据反归一化 train_predict=mapminmax('reverse',train_predict_y',pstrain1);%训练集预测值 test_predict=mapminmax('reverse',test_predict_y',pstrain1); %测试集预测值 %计算均方差 trainmse=sum((train_predict-train_out).^2)/length(train_result); testmse=sum((test_predict-test_out).^2)/length(test_result); fitness(j)=testmse; end %个体最优更新 if fitness(j) < local_fitness(j) local_x(j,:) = pop(j,:); local_fitness(j) = fitness(j); end if fitness(j) == local_fitness(j) && pop(j,1) < local_x(j,1) local_x(j,:) = pop(j,:); local_fitness(j) = fitness(j); end %群体最优更新 if fitness(j) < global_fitness global_x = pop(j,:); global_fitness = fitness(j); end if abs( fitness(j)-global_fitness )<=eps && pop(j,1) < global_x(1) global_x = pop(j,:); global_fitness = fitness(j); end end fit_gen(i)=global_fitness; avgfitness_gen(i) = sum(fitness)/sizepop; end toc %% 结果分析 plot(fit_gen,'LineWidth',5); title(['适应度曲线','(参数c1=',num2str(c1),',c2=',num2str(c2),',终止代数=',num2str(maxgen),')'],'FontSize',13); xlabel('进化代数');ylabel('适应度'); bestc = global_x(1); bestg = global_x(2); gam=bestc; sig2=bestg; model=initlssvm(train_data,train_result,type,gam,sig2,kernel,proprecess); model=trainlssvm(model); %求出训练集和测试集的预测值 [train_predict_y,zt,model]=simlssvm(model,train_data); [test_predict_y,zt,model]=simlssvm(model,test_data); %预测数据反归一化 train_predict=mapminmax('reverse',train_predict_y',pstrain1); test_predict=mapminmax('reverse',test_predict_y',pstrain1); %计算均方差 trainmse=sum((train_predict-train_out).^2)/length(train_result) testmse=sum((test_predict-test_out).^2)/length(test_result) besttestmse=testmse;