鲸鱼优化算法WOA优化支持向量机SVM实现多特征输入分类模型

aoqDrPjNRbKr

126人浏览 · 2026-03-16 18:45:00

aoqDrPjNRbKr · 2026-03-16 18:45:00 发布

鲸鱼优化算法WOA优化支持向量机SVM做多特征输入单输出的二分类及多分类模型。程序正常运行直接替换数据就可以用鲸鱼优化算法可以改进程序语言为matlab 程序可出分类效果图，迭代优化图，混淆矩阵图具体效果如下所示

在机器学习的领域中，分类问题一直是研究的重点。今天咱来聊聊如何用鲸鱼优化算法（WOA）优化支持向量机（SVM），实现多特征输入单输出的二分类及多分类模型，并且用Matlab来实现整个过程，还能得到超酷炫的分类效果图、迭代优化图以及混淆矩阵图。

鲸鱼优化算法（WOA）简介

WOA是一种受座头鲸狩猎行为启发的元启发式优化算法。座头鲸在狩猎时会围绕猎物游动并收缩包围圈，同时还会使用独特的气泡网策略。WOA模拟了这些行为，在搜索空间中寻找最优解。

支持向量机（SVM）

SVM是一种强大的分类算法，它通过寻找一个最优超平面来将不同类别的数据分开。对于线性可分的数据，这个超平面很容易找到，但对于线性不可分的数据，就需要引入核函数，将数据映射到高维空间，从而找到合适的超平面。

Matlab实现代码及分析

数据准备

% 假设已经有准备好的数据
% 加载数据，data为特征矩阵，每一行是一个样本，每一列是一个特征
% label为对应的类别标签
load('data.mat');

这里假设数据已经以合适的格式保存在 data.mat 文件中，我们直接加载进来，data 矩阵承载了所有样本的特征信息，label 则是对应的类别标签，这是后续分类任务的基础。

鲸鱼优化算法部分

% 定义WOA参数
SearchAgents_no = 50; % 鲸鱼数量
Max_iter = 100; % 最大迭代次数
dim = size(data, 2); % 维度，即特征数量
lb = -10; % 搜索空间下限
ub = 10; % 搜索空间上限

% 初始化鲸鱼位置
Positions = initializepop(SearchAgents_no, dim, lb, ub);

这段代码初始化了WOA的关键参数，包括鲸鱼的数量、最大迭代次数，根据数据的特征数量确定搜索空间的维度，同时设定了搜索空间的上下限。然后通过 initializepop 函数（假设这个函数已定义）初始化了鲸鱼在搜索空间中的位置。

SVM模型部分

% 划分训练集和测试集
cv = cvpartition(label, 'HoldOut', 0.3); 
idxTrain = training(cv);
idxTest = test(cv);
trainData = data(idxTrain, :);
trainLabel = label(idxTrain);
testData = data(idxTest, :);
testLabel = label(idxTest);

% 训练SVM模型
model = fitcsvm(trainData, trainLabel);

这里使用 cvpartition 函数将数据划分为训练集和测试集，70%的数据用于训练，30%用于测试。然后基于训练集数据训练SVM模型，fitcsvm 函数是Matlab中用于训练SVM分类模型的便捷工具。

WOA优化SVM过程

for t = 1:Max_iter
    % 计算适应度值
    fitness = zeros(SearchAgents_no, 1);
    for i = 1:SearchAgents_no
        % 根据鲸鱼位置调整SVM参数
        % 这里假设鲸鱼位置对应SVM的惩罚参数C和核函数参数等
        params.C = Positions(i, 1); 
        params.kernel_function = 'rbf';
        params.kernel_scale = Positions(i, 2); 
        model = fitcsvm(trainData, trainLabel, params);
        predLabel = predict(model, testData);
        fitness(i) = sum(predLabel ~= testLabel)/length(testLabel); % 计算分类错误率作为适应度
    end
    
    % 更新鲸鱼位置
    [Positions, fitness] = updatePositions(Positions, fitness, t, Max_iter, lb, ub);
end

在这部分代码中，通过循环迭代，每次根据鲸鱼的位置来调整SVM的参数（这里简单假设鲸鱼位置对应SVM的惩罚参数 C 和核函数参数 kernel_scale），然后重新训练SVM模型并在测试集上预测，以分类错误率作为适应度值来评估每个鲸鱼位置对应的SVM模型性能。接着调用 updatePositions 函数（假设已定义）根据适应度值来更新鲸鱼的位置，不断寻找最优的SVM参数。

结果展示

% 得到最优参数下的SVM模型
bestParams.C = Positions(bestIndex, 1); 
bestParams.kernel_function = 'rbf';
bestParams.kernel_scale = Positions(bestIndex, 2); 
bestModel = fitcsvm(trainData, trainLabel, bestParams);
bestPred = predict(bestModel, testData);

% 绘制分类效果图
figure;
gscatter(testData(:, 1), testData(:, 2), bestPred);
title('分类效果图');

% 绘制迭代优化图
figure;
plot(1:Max_iter, bestFitnessHistory);
title('迭代优化图');
xlabel('迭代次数');
ylabel('最优适应度值');

% 绘制混淆矩阵图
confMat = confusionmat(testLabel, bestPred);
figure;
confusionchart(confMat);
title('混淆矩阵图');

最后，根据找到的最优鲸鱼位置确定SVM的最优参数，重新训练得到最优的SVM模型，并在测试集上进行预测。然后利用Matlab强大的绘图功能，绘制分类效果图（这里简单以数据的前两个特征绘制散点图并根据预测类别区分颜色）、迭代优化图（展示每次迭代的最优适应度值变化）以及混淆矩阵图，直观地展示模型的性能。