PSO-LSSVM演算法及其MATLAB程式碼

Zhi Zhao發表於2020-10-05

一、PSO

1.概念

粒子群優化演算法(PSO:Particle swarm optimization)是一種進化計算技術。它的基本思想:通過群體中個體之間的協作和資訊共享來尋找最優解。

2.演算法的原理和實現步驟

2.1演算法原理

PSO初始化為一群隨機粒子(隨機解),然後通過迭代找到最優解。在每一次的迭代中,粒子通過跟蹤兩個“極值”(pbest,gbest)來更新自己。在找到這兩個最優值後,粒子通過下面的公式來更新自己的速度和位置。

PSO演算法的主要公式

2.2實現步驟

1)初始化一群微粒(群體規模為N),包括隨機位置和速度;

2)評價每個粒子的初始適應值;

3)將初始適應值作為當前每個粒子的最優值,並記錄當前的位置作為區域性最優位置;

4)將最佳初始適應值作為當前全域性最優值,並記錄當前位置;

5)依據上文提到的計算速度和位置公式進行計算(要注意最大速度限幅處理);

6)比較當前適應值與之前的適應值,如果更優則進行更新;

7)找到當前粒子群的全域性最優;

8)重複5-7步直到達到最小誤差或者達到最大迭代次數;

9)輸出。

3.演算法的優缺點

3.1優點:

1)需要調整的引數少,原理簡單,容易實現;

2)協同搜尋,同時利用個體區域性資訊和群體全域性資訊進行指導搜尋;

3)收斂速度快;

4)更容易飛躍區域性最優資訊。

3.2缺點:

1)演算法區域性搜尋能力較差,搜尋精度不高;

2)算容易陷入區域性最優,無法獲取全域性最優近似解。

二、LSSVM(最小二乘支援向量機)

1.LSSVM介紹

最小二乘支援向量機是支援向量機的一種改進,它是將傳統支援向量機中的不等式約束改為等式約束,且將誤差平方和(SumSquaresError)損失函式作為訓練集的經驗損失,這樣就把解二次規劃問題轉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.最小二乘支援向量機MATLAB工具箱

最小二乘支援向量機MATLAB工具箱下載地址見參考文獻[4],工具箱用於解決分類問題主要用到3個函式,trainlssvm函式用來訓練建立模型,simlssvm函式用於預估模型,plotlssvm函式是工具箱的專用繪圖函式。

LSSVM要求調整的引數有兩個:gam和sig2。其中gam是正則化引數,決定了適應誤差的最小化和平滑程度,sig2是RBF函式的引數。type有兩種型別,一種是classfication,用於分類,一種是function estimation,用於函式迴歸。

三、PSO優化LSSVM實現多分類

PSO通過優化LSSVM的兩個引數gam和sig2,尋找引數的最優組合,從而提高分類精度。

LSSVM工具箱的trainlssvm函式和simlssvm函式一般用於二分類問題,多分類問題則需要構造多個二分類器。LSSVM工具箱的code函式可以將多分類任務編碼和解碼為多個二分類器

首先使用code函式對多分類問題進行編碼,然後用trainlssvm函式和simlssvm函式分別對資料進行訓練和測試,再使用code函式對測試結果進行解碼。PSO優化LSSVM實現多分類的原始碼見參考文獻[6],分類的精確率能達到90%以上。

參考文獻

[1]粒子群優化演算法(PSO)

[2]粒子群演算法PSO詳解

[3]MATLBA中最小二乘支援向量機原理+例項分析

[4]最小二乘支援向量機演算法及工具

[5]PSO-LSSVM的matlab實現

[6]PSO-LSSVM的MATLAB程式碼

相關文章