gusucode.com > matlab优化的遗传算法来优化支持向量机的参数源码程序 > 优化的遗传算法来优化支持向量机的参数/遗传优化向量机/gaSVMcgForRegress.m
function [bestc,bestg]=gaSVMcgForRegress(t_train,pn_train) % 遗传优化支持向量机 maxgen=50; %进化代数,即迭代次数 N=2;%个体维数 sizepop=10; %种群规模 mu = 20; mum = 20;%交差算子和变异算子的参数 xmin=[0.001 0.001];xmax=[100 10];%c和g的最小值和最大值 stop_t=0;%停滞时限初始化 pc=[1 0.7];pm=[0.3 0.001];%自适应交叉变异概率参数 V=5;%空间等分化 %------------------------------------------------------种群初始化-------------------------------------------------------- individuals=struct('fitness',zeros(1,sizepop), 'chrom',[]); %将种群信息定义为一个结构体 avgfitness=[]; %每一代种群的平均适应度 bestfitness=[]; %每一代种群的最佳适应度 bestchrom=[]; %适应度最好的染色体 %初始化种群 individuals=init_pop(N,xmin,xmax,sizepop,V,individuals,t_train,pn_train); %找最好的染色体 [bestfitness, bestindex]=max(individuals.fitness); bestchrom(1,:)=individuals.chrom(bestindex,:); %最好的染色体 avgfitness=sum(individuals.fitness)/sizepop; %染色体的平均适应度 % 记录每一代进化中最好的适应度和平均适应度 trace=[avgfitness bestfitness]; %% 迭代求解 % 进化开始 for i=1:maxgen fprintf('当前进化代数:%d\n',i) % 选择 individuals=Select(individuals,sizepop); avgfitness=sum(individuals.fitness)/sizepop; %% 自适应交叉变异概率 index1=individuals.fitness>mean(individuals.fitness);index2=individuals.fitness<=mean(individuals.fitness); pcross(index1)=(pc(1)-pc(2))*tanh((max(individuals.fitness)-individuals.fitness(index1))/(max(individuals.fitness)-mean(individuals.fitness)))+pc(2); pcross(index2)=pc(2); pmutation(index1)=(pm(1)-pm(2))*tanh((max(individuals.fitness)-individuals.fitness(index1))/(max(individuals.fitness)-mean(individuals.fitness)))+pm(2); pmutation(index2)=pm(2); %交叉和变异 individuals.chrom=genetic(individuals.chrom,mu,mum,sizepop,pcross,pmutation,xmin,xmax); % 计算适应度 for j=1:sizepop x=individuals.chrom(j,:); cmd = [' -v 5',' -c ',num2str(x(1)),' -g ',num2str(x(2)),' -s 0 -p 0.01'];%v表示交叉验证折数 individuals.fitness(j)=svmtrain(t_train,pn_train,cmd); end %找到最小和最大适应度的染色体及它们在种群中的位置 [newbestfitness,newbestindex]=max(individuals.fitness); [worestfitness,worestindex]=min(individuals.fitness); % 代替上一次进化中最好的染色体(最优保存策略) if bestfitness<newbestfitness bestfitness=newbestfitness; bestchrom(i,:)=individuals.chrom(newbestindex,:); else if i==1 bestchrom(i,:)=bestchrom(1,:); else bestchrom(i,:)=bestchrom(i-1,:); end end individuals.chrom(worestindex,:)=bestchrom(i,:);%最好个体替代最差个体 avgfitness=sum(individuals.fitness)/sizepop; aa(i)=avgfitness; bb(i)=bestfitness; trace=[trace;avgfitness bestfitness]; %记录每一代进化中最好的适应度和平均适应度 %% 停滞时限的停止标准 if i>=2 if bb(i)==bb(i-1)%最优值连续不变就+1 stop_t=stop_t+1; else stop_t=0; end end if stop_t>=100%连续100代不变即停止迭代 end_it=i;%结束代数 break; end %% 移民算子 yp=0.15;yn=floor(sizepop*yp); for ii=1:yn %随机产生一个种群 x(ii,:)=Code(N,xmin,xmax); %编码 end [~,index]=sort(individuals.fitness); individuals.chrom(index(1:yn),:)=x;%最差以一定比率个体被新个体替代 end bestc=bestchrom(end,1);bestg=bestchrom(end,2); %% 遗传算法结果分析 figure plot(aa,'b+'); hold on plot(bb,'r-'); title(['适应度曲线 ' '终止代数=' num2str(maxgen)]); xlabel('进化代数');ylabel('适应度'); legend('平均适应度','最佳适应度') end