挺完整的一篇博客，這里轉(zhuǎn)載記錄一下。
原文鏈接：PSO-LSSVM算法及其MATLAB代碼

一、PSO

1.概念

粒子群優(yōu)化算法(PSO：Particle swarm optimization)是一種進(jìn)化計(jì)算技術(shù)。它的基本思想：通過群體中個(gè)體之間的協(xié)作和信息共享來尋找最優(yōu)解。

2.算法的原理和實(shí)現(xiàn)步驟

2.1算法原理

PSO初始化為一群隨機(jī)粒子(隨機(jī)解)，然后通過迭代找到最優(yōu)解。在每一次的迭代中，粒子通過跟蹤兩個(gè)“極值”(pbest，gbest)來更新自己。在找到這兩個(gè)最優(yōu)值后，粒子通過下面的公式來更新自己的速度和位置。

PSO算法的主要公式

2.2實(shí)現(xiàn)步驟

1)初始化一群微粒(群體規(guī)模為N)，包括隨機(jī)位置和速度；

2)評(píng)價(jià)每個(gè)粒子的初始適應(yīng)值；

3)將初始適應(yīng)值作為當(dāng)前每個(gè)粒子的最優(yōu)值，并記錄當(dāng)前的位置作為局部最優(yōu)位置；

4)將最佳初始適應(yīng)值作為當(dāng)前全局最優(yōu)值，并記錄當(dāng)前位置；

5)依據(jù)上文提到的計(jì)算速度和位置公式進(jìn)行計(jì)算(要注意最大速度限幅處理)；

6)比較當(dāng)前適應(yīng)值與之前的適應(yīng)值，如果更優(yōu)則進(jìn)行更新；

7)找到當(dāng)前粒子群的全局最優(yōu)；

8)重復(fù)5-7步直到達(dá)到最小誤差或者達(dá)到最大迭代次數(shù)；

9)輸出。

3.算法的優(yōu)缺點(diǎn)

3.1優(yōu)點(diǎn)：

1)需要調(diào)整的參數(shù)少，原理簡(jiǎn)單，容易實(shí)現(xiàn)；

2)協(xié)同搜索，同時(shí)利用個(gè)體局部信息和群體全局信息進(jìn)行指導(dǎo)搜索；

3)收斂速度快；

4)更容易飛躍局部最優(yōu)信息。

3.2缺點(diǎn)：

1)算法局部搜索能力較差，搜索精度不高；

2)算法容易陷入局部最優(yōu),無法獲取全局最優(yōu)近似解。

二、LSSVM(最小二乘支持向量機(jī))

1.LSSVM介紹

最小二乘支持向量機(jī)是支持向量機(jī)的一種改進(jìn)，它是將傳統(tǒng)支持向量機(jī)中的不等式約束改為等式約束,且將誤差平方和(SumSquaresError)損失函數(shù)作為訓(xùn)練集的經(jīng)驗(yàn)損失,這樣就把解二次規(guī)劃問題轉(zhuǎn)化為求解線性方程組問題,提高求解問題的速度和收斂精度。

2.最小二乘支持向量機(jī)MATLAB工具箱

最小二乘支持向量機(jī)MATLAB工具箱下載地址見參考文獻(xiàn)[4]，工具箱用于解決分類問題主要用到3個(gè)函數(shù),trainlssvm函數(shù)用來訓(xùn)練建立模型,simlssvm函數(shù)用于預(yù)估模型,plotlssvm函數(shù)是工具箱的專用繪圖函數(shù)。

LSSVM要求調(diào)整的參數(shù)有兩個(gè)：gam和sig2。其中g(shù)am是正則化參數(shù),決定了適應(yīng)誤差的最小化和平滑程度，sig2是RBF函數(shù)的參數(shù)。type有兩種類型,一種是classfication,用于分類,一種是function estimation,用于函數(shù)回歸。

三、PSO優(yōu)化LSSVM實(shí)現(xiàn)多分類

PSO通過優(yōu)化LSSVM的兩個(gè)參數(shù)gam和sig2，尋找參數(shù)的最優(yōu)組合，從而提高分類精度。

LSSVM工具箱的trainlssvm函數(shù)和simlssvm函數(shù)一般用于二分類問題，多分類問題則需要構(gòu)造多個(gè)二分類器。LSSVM工具箱的code函數(shù)可以將多分類任務(wù)編碼和解碼為多個(gè)二分類器。

首先使用code函數(shù)對(duì)多分類問題進(jìn)行編碼，然后用trainlssvm函數(shù)和simlssvm函數(shù)分別對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練和測(cè)試，再使用code函數(shù)對(duì)測(cè)試結(jié)果進(jìn)行解碼。PSO優(yōu)化LSSVM實(shí)現(xiàn)多分類的源代碼見參考文獻(xiàn)[6]，分類的精確率能達(dá)到90%以上。

參考文獻(xiàn)

[1]粒子群優(yōu)化算法(PSO)

[2]粒子群算法PSO詳解

[3]MATLBA中最小二乘支持向量機(jī)原理+實(shí)例分析

[4]最小二乘支持向量機(jī)算法及工具

[5]PSO-LSSVM的matlab實(shí)現(xiàn)

[6]PSO-LSSVM的MATLAB代碼

總結(jié)

以上是生活随笔為你收集整理的PSO-LSSVM算法及其MATLAB代码的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。