数据信息如下:
data.mat 的中包含input数据和output数据
其中input数据维度为:2000*2
其中output数据维度为2000*1
所以RF模型的数据输入维度为2;输出维度为1。
lssvm请自行参考相关机器学习书籍。
蜣螂算法的具体原理参考博客:https://blog.csdn.net/u011835903/article/details/128280084。
蜣螂算法的优化参数为惩罚参数和核惩罚参数。适应度函数为RF对训练集和测试集的均方误差(MSE),均方误差MSE越低越好。
f i n t e n e s s = M S E [ p r e d i c t ( t r a i n ) ] + M S E [ p r e d i c t ( t e s t ) ] finteness = MSE[predict(train)] + MSE[predict(test)] finteness=MSE[predict(train)]+MSE[predict(test)]
数据划分信息如下: 训练集数量为1900组,测试集数量为100组
蜣螂参数设置如下:
%% 利用蜣螂算法选择回归预测分析最佳的lssSVM参数c&g
%% 蜣螂参数设置
% 定义优化参数的个数,在该场景中,优化参数的个数dim为2 。
% 定义优化参数的上下限,如c的范围是[0.01, 1], g的范围是[2^-5, 2^5],那么参数的下限lb=[0.01, 2^-5];参数的上限ub=[1, 2^5]。
%目标函数
fobj = @(x) fun(x,Pn_train,Tn_train,Pn_test,Tn_test);
% 优化参数的个数 (c、g)
dim = 2;
% 优化参数的取值下限
lb = [0.01,0.01];
ub = [5,5];
% 参数设置
pop =20; %蜣螂数量
Max_iteration=5;%最大迭代次数
DBO-LSSVM优化得到的最优参数为:
DBO-LSSVM优化得到的gama为:5
DBO-LSSVM优化得到的sig2为:0.24957
DBO-LSSVM结果:
DBO-LSSVM训练集MSE:0.046967
DBO-LSSVM测试集MSE:0.10745
LSSVM结果:
LSSVM训练集MSE:0.16197
LSSVM测试集MSE:0.32174
从MSE结果来看,经过改进后的蜣螂-LSSVM明显优于未改进前的结果。