猎豹算法（CO）优化支持向量机原理及Matlab代码

目录

0 引言

1 数学模型

2 优化方式

3 Maltab代码

3.1 伪代码

3.2 CO主函数代码

3.3 CO-SVM

4 视频讲解

0 引言

猎豹算法（cheetah optimizer，CO）是MohammadAminAkbari于2022年基于猎豹的狩猎策略启发而提出的智能算法。CO模拟猎豹的三种主要策略来捕猎猎物，即搜索、坐着和攻击；同时猎豹狩猎过程中还加入了离开猎物回家的策略，以提高该框架的种群多样性、收敛性能和鲁棒性。

1 数学模型

CO数学模拟包括俩部分，狩猎策略（搜索猎物，坐等猎物，攻击猎物），回家重新开始新一轮狩猎，以下是其的数学模型构建：

1）搜索策略：猎物在寻找猎物阶段，对设置区域进行扫描。

式中X为猎物种群位置，r和a分别为猎物随机参数和步长，符合正态分布形式。

2）坐等策略：在搜索策略下，猎物可能会暴露在猎豹的视野中。在这种情况下，猎豹的每一个动作都可能让猎物意识到猎豹的存在，并导致猎物逃跑。为了避免这种担忧，猎豹可能会决定伏击（躺在地上或躲在灌木丛中），以获得足够的接近它的猎物。其数学模型如下

3）攻击策略：猎豹在决定攻击猎物时，其利用两个关键因素来攻击猎物：速度和敏捷性。当一只猎豹决定攻击它时，全速冲向猎物。过了一会儿，猎物注意到了猎豹的攻击，并开始逃跑。猎豹用其敏锐的眼睛在拦截路径上快速追逐猎物，其数学模型如下：

式中rij转向因子，其式子为|ri,j| exp (ri,j/2)sin 2πri,j，该因子反映了猎豹在捕猎模式下的急转弯策略。βij为相互因子，其反映捕猎过程中猎豹之间或猎豹和首领之间的相互作用。

4）回家重新新的猎豹位置进行新一轮的狩猎活动：猎豹狩猎到食物会返回家园食用，或其为狩猎到食物会回到家园中，重新分布首领猎豹等位置重新进行上述狩猎策略，进而捕捉猎物。

2 优化方式

前篇对支持向量机（支持向量机原理及matlab代码讲解（分类SVM和回归SVR）-CSDN博客）原理讲解，从支持向量机模型运算过程中，可以了解到模型高维映射核函数参数g和处罚因子c对模型预测结果影响最为重要。因此结合上述CO原理介绍，可以将支持向量机参数c和g作为猎豹种群位置，每一个种群位置对应支持向量机的预测值，将这个预测值作为适应度进行上述猎豹狩猎活动，更新更优猎豹位置。

3 Maltab代码

3.1 伪代码

3.2 CO主函数代码

%% 参数
% pop 包括种群pop.Position和对应适应度pop.Cost
% MaxIt 最大迭代次数
% X_best 最好适应度种群位置
% Globest 最好适应度
% SYD 适应度函数
% T 狩猎时间
% it 迭代计算器



%% CO的主函数代码
while FEs <= MaxIt 

    m = 1+randi (ceil(n/2));         
    i0 = randi(n,1,m);% 随机选择猎豹成员              
    for k = 1 : m % 每个成员执行以下任务      
        i = i0(k);           
                
        % 定义成员io邻居              
        if k == length(i0)                    
            a = i0(k-1);                
        else                  
            a = i0(k+1);                
        end              
                
        X = pop(i).Position;    % 第 i 只猎豹的当前位置                
        X1 = pop(a).Position;   % 邻居a的位置        
        Xb = BestSol.Position;  % 领导位置     
        Xbest = X_best.Position;% 最佳位置                   
                
        kk=0;
                
        % 执行选择重组种群，可能会提高 CO精度                         
        if i<=2 && t>2 && t>ceil(0.2*T+1) && abs(BestCost(t-2)-BestCost(t-ceil(0.2*T+1)))<=0.0001*Globest(t-1)                                 
            X = X_best.Position;                          
            kk = 0;                      
        elseif i == 3                         
            X = BestSol.Position;                                  
            kk = -0.1*rand*t/T;
        else                                    
            kk = 0.25;                             
        end     
                
        if mod(it,100)==0 || it==1               
            xd = randperm(numel(X));
        end
 
        Z = X;
                
        %
                
        for j = xd % 选择任意一组安排
            
            r_Hat = randn;% R随机化参数, 可用Eq (1)
            r1 = rand;
            if k == 1 % 领导者的步长（假定 k==1 与领导者编号相关联）
                alpha = 0.0001*t/T.*(ub(j)-lb(j)); % 步长，公式 可用(1)                   
            else       % 成员步长                       
                alpha = 0.0001*t/T*abs(Xb(j)-X(j))+0.001.*round(double(rand>0.9));%成员步长，可用公式 (1)         
            end
                          
            r = randn;
            r_Check = abs(r).^exp(r/2).*sin(2*pi*r); % 标准正态分布的正态分布随机数,可用Eq(3)
            beta = X1(j)-X(j);     % 猎豹之间或猎豹与领导者在捕获模式下的互动系数，可用Eq(3)  
           
            h0 = exp(2-2*t/T);
            H = abs(2*r1*h0-h0);

            r2 = rand;
            r3 = kk+rand;

            
            if r2 <= r3             
                r4 = 3*rand; 
                
                if H > r4 
                    % 搜索策略
                    Z(j) = X(j)+r_Hat.^-1.*alpha;    % 搜索, Eq(1)                     
                else
                    % 攻击策略
                    Z(j) = Xbest(j)+r_Check.*beta;    % 攻击, Eq(3) 
                end
            else
                Z(j) = X(j); % 坐等, Eq
            end
        end

        % 更新成员 i 的解
        % 边界检查          
        xx1=find(Z<lb);
        Z(xx1)=lb(xx1)+rand(1,numel(xx1)).*(ub(xx1)-lb(xx1));
        xx1=find(Z>ub);
        Z(xx1)=lb(xx1)+rand(1,numel(xx1)).*(ub(xx1)-lb(xx1));
                

        % 适应度比较
               
        NewSol.Position = Z;
        NewSol.Cost = SYD(NewSol.Position,net);
        net.trainParam.showWindow = 0;
                
        if NewSol.Cost < pop(i).Cost
            pop(i) = NewSol;
            if pop(i).Cost < BestSol.Cost
                BestSol = pop(i);
            end
        end
        FEs = FEs+1;
    end

    t = t+1; 
            
    % 离开猎物，返回家园
    
    if t>T && t-round(T)-1>=1 && t>2
        if  abs(BestCost(t-1)-BestCost(t-round(T)-1))<=abs(0.01*BestCost(t-1))

            % 更改领导者位置
            best = X_best.Position;
            j0=randi(D,1,ceil(D/10*rand));
            best(j0) = lb(j0)+rand(1,length(j0)).*(ub(j0)-lb(j0));
            BestSol.Cost = SYD(best,net);
            net.trainParam.showWindow = 0;
            BestSol.Position = best; % 领导人的新位置 
            FEs = FEs+1;
            
            i0 = randi(n,1,round(1*n));
            pop(i0(n-m+1:n)) = pop1(i0(1:m)); % 一些种群恢复了最初的位置
            pop(i) = X_best; % 将成员 i 替换为猎物
                    
            t = 1; % 重置狩猎时间  
        end
    end
    it = it +1;          
            
    % 更新猎物（全体最佳）位置
    if BestSol.Cost<X_best.Cost
        X_best=BestSol;
    end
    
    BestCost(t)=BestSol.Cost;
    CO_Convergence(FEs) = X_best.Cost;
end
end

3.3 CO-SVM

1）回归模型：私信

2）分类模型：分类模型：猎豹算法优化支持向量机（CO-SVM）

4 视频讲解

B站搜索：‘ 不想学习的陈成 ’