目录
0 引言
基于已发表智能算法文献研究，Seyedali Mirjalili等人在发现PSO的开发能力与GSA的探索能力有者较好结合性能，因此基于二者算法优势点提出混合算法PSOGSA。该算法主要利用PSO鸟类在全局和局部最优位置的速度和位置模型有引入GSA粒子基于其他粒子位置和距离更新自身位置的数学模型中，有利于提高GSA的收敛速度。
1 数学模型
PSOGSA主要集合PSO开发能力和GSA探索能力，从而实现问题优化，其主要模型见下式：
1）PSOGSA探索阶段：该模型主要利用GSA探索阶段，从而得到[PSOGSA的加速度a:
式（6）为GSA加速度计算，Mii为粒子的质量，模型中为粒子适应度，Fid为粒子的总吸引力，其式见式（5），Fij为俩个粒子之间万有引力，其式见式（3），Rij为粒子之间欧氏距离，G为重力，其式见式（4），iter为当前迭代次数，maxiter为最大迭代次数，G0为重力初始值，α为下降系数。
2）PSOGSA的开发阶段：主要基于GSA探索阶段得到加速度后，利用PSO鸟类基于全局位置及局部位置来更新自身位置特点应用到GSA开发阶段中，从而优化GSA，其数学模型见下式：
式（9）为PSOGSA算法速度更新，ω为加权函数，Vi为速度，c1,c2为加权因子，gbest为全局最优粒子位置，X为当前粒子位置，其式见式（10）.
2 模型对比
对比PSO、GSA和PSOGSA优化支持向量机的模型性能，由于支持向量机训练组数随机性，故对DBO和IDBO采用相同随机组数：具体代码如下：
%% PSO训练随机性
temp = randperm(length(Data))
%%GSA训练随机性
temp1 = temp
%%PSOGSA训练随机性
temp2 = temp模型数据来源UCI二分类数据集：
PSOGSA-SVM：
PSO-SVM:
GSA-SVM:
3 matlab代码
3.1 伪代码示意图
3.2 PSOGSA-SVM
1）回归模型：回归模型：粒子群算法和引力搜索算法的混合算法优化支持向量机（PSOGSA-SVR）
2）分类模型：分类模型：粒子群算法和引力搜索算法的混合算法优化支持向量机（PSOGSA-SVM）
4 视频讲解
B站搜索：‘ 不想学习的陈成 ’
标签：PSOGSA,粒子,PSO,模型,搜索算法,GSA,算法 From： https://blog.csdn.net/m0_74389201/article/details/141265083