IGWO-SVM：改良的灰狼优化算法改进支持向量机。 采用三种改进思路：两种Logistic和Tent混沌映射和采用DIH策略。 采用基于DIH维度学习的狩猎搜索策略为每只狼构建邻域，增强局部和全局搜索能力，收敛速度比GWO更快，适用于paper。

一、整体概述

本套代码基于改良的灰狼优化算法（DIH-GWO）对支持向量机（SVM）的关键参数（惩罚参数c和核函数参数g）进行优化，旨在提升SVM在分类任务中的性能。代码整体采用MATLAB开发，包含13个核心文件，涵盖数据预处理、种群初始化优化、算法迭代寻优、SVM模型训练与预测等完整流程，适用于葡萄酒数据集等分类场景，可通过调整参数适配其他类似结构化数据的分类任务。

二、核心模块与功能解析

（一）数据处理模块

该模块负责数据的加载、划分与预处理，为后续模型训练与优化提供高质量数据输入，核心逻辑集中在DIHGWOSVM.m文件中。

1. 数据加载：加载葡萄酒（wine）数据集，该数据集包含178个样本，每个样本有13个特征，对应3个类别，同时加载样本标签（wine_labels）。
2. 训练集与测试集划分：按照固定规则划分数据，将第一类样本的1-30号、第二类的60-95号、第三类的131-153号划分为训练集；第一类的31-59号、第二类的96-130号、第三类的154-178号划分为测试集，确保训练集与测试集样本分布合理，避免类别失衡。
3. 数据归一化：使用mapminmax函数将训练集与测试集数据统一归一化到[0,1]区间。归一化处理可消除不同特征量纲差异对SVM模型的影响，例如避免因某一特征数值范围过大而主导模型学习过程，提升模型收敛速度与分类精度。

（二）种群初始化优化模块

传统灰狼优化算法（GWO）种群初始化易出现分布不均匀问题，本代码提供两种混沌映射初始化方案，通过增强种群多样性提升算法寻优能力，相关实现位于DIHGWOSVM.m与initialization.m文件。

1. Tent混沌映射初始化：通过Tent映射公式生成混沌序列，初始值随机设定，后续每个值根据前一个值与固定阈值（0.6）的大小关系计算。当数值小于0.6时，采用线性放大公式；大于等于0.6时，采用反向线性计算方式。生成的混沌序列结合参数上下界（ub/lb）转换为初始种群位置，该方式可使种群在解空间分布更均匀，覆盖更多潜在最优解区域。
2. Logistic混沌映射初始化：基于Logistic映射公式（X(i+1,j)=4X(i,j)(1-X(i,j))）生成混沌序列，同样结合参数上下界得到初始种群。Logistic映射在特定参数下具有复杂的混沌特性，能有效避免初始种群陷入局部最优区域，与Tent映射形成互补，用户可根据实际场景选择其中一种初始化方式。
3. 传统随机初始化：initialization.m文件提供传统随机初始化方法，根据参数上下界随机生成种群位置，适用于对比实验，以验证混沌映射初始化对算法性能的提升效果。

（三）改良灰狼优化（DIH-GWO）算法模块

该模块是代码核心，通过引入DIH（Directional Learning and Heterogeneity）策略改进传统GWO，实现对SVM参数的高效寻优，核心逻辑分布在DIHGWOSVM.m与IGWO.m文件。

1. 狼群层级划分与更新：算法将狼群分为Alpha（最优）、Beta（次优）、Delta（第三优）和Omega（普通）四级。每次迭代中，根据每个狼的适应度值（由SVM分类误差计算）更新Alpha、Beta、Delta的位置与适应度，确保算法始终向最优解方向搜索。
2. 传统GWO位置更新：基于Alpha、Beta、Delta的位置，通过随机系数（A1、A2、A3与C1、C2、C3）计算每个Omega狼的候选位置（X_GWO）。其中系数A随迭代次数从2线性递减至0，实现算法从全局探索到局部开发的平滑过渡；系数C为[0,2]区间随机值，增强搜索随机性。
3. DIH策略改进：
   - 邻居半径计算：通过欧氏距离计算每个狼与传统GWO生成候选位置的距离（radius），作为邻居判断依据。
   - 邻居选择：筛选出与当前狼距离小于等于radius的邻居个体，形成邻居集合，确保学习对象的相关性。
   - 定向学习位置生成：基于邻居集合与随机选择的其他个体，通过定向学习公式生成新的候选位置（X_DLH），该位置融合了邻居的优质信息与种群多样性，有效提升算法跳出局部最优的能力。
4. 选择与更新机制：对比XGWO与XDLH对应的适应度值，选择更优的候选位置与适应度；再与个体历史最优（pBest）比较，更新个体最优位置与适应度，最终实现种群整体进化，逐步逼近SVM最优参数组合。

（四）适应度函数与约束处理模块

该模块确保算法寻优方向与SVM性能目标一致，并保证参数在合理范围内，相关文件包括objfun.m、fobj.m与boundConstraint.m。

1. 适应度函数（objfun.m）：以SVM分类错误率作为适应度值，输入待优化参数（c、g），通过svmtrain函数训练SVM模型，再用svmpredict函数计算测试集分类准确率，适应度值为“1 - 准确率/100”。适应度值越小，代表SVM分类性能越好，算法通过最小化适应度值实现参数优化。
2. 辅助适应度计算（fobj.m）：提供另一种适应度计算方式，以SVM预测的平均均方误差（MSE）作为优化目标，适用于回归任务或需关注预测误差的场景，增强代码通用性。
3. 边界约束处理（boundConstraint.m）：在种群位置更新过程中，若新位置超出参数上下界（ub/lb），采用“当前位置与边界值平均”的方式调整，避免参数取值不合理导致SVM模型失效（如惩罚参数c过小导致模型欠拟合，过大导致过拟合）。

（五）SVM模型训练与预测模块

该模块基于优化后的参数构建SVM模型，完成分类任务并输出结果，主要实现于DIHGWOSVM.m文件。

1. 最优参数获取：DIH-GWO算法迭代结束后，选取适应度值最小的个体对应的参数作为SVM最优参数（bestc、bestg）。
2. SVM模型训练：使用svmtrain函数，传入训练集数据、标签与最优参数（通过命令行参数cmd指定），构建SVM分类模型。其中核函数默认采用RBF（径向基函数），适用于非线性分类场景，可通过调整命令行参数切换核函数类型。
3. 分类预测与结果输出：调用svmpredict函数，用训练好的SVM模型对测试集进行分类预测，输出预测标签、分类准确率、决策值等信息。同时计算测试集总样本数、正确分类样本数，以“准确率=正确数/总数”的格式打印结果，直观展示模型性能。

（六）结果可视化与分析模块

该模块通过图表展示算法寻优过程与SVM分类效果，帮助用户直观评估系统性能，位于DIHGWOSVM.m与func_plot.m文件。

1. 适应度曲线绘制：在DIHGWOSVM.m中，绘制迭代过程中“最佳适应度”与“平均适应度”曲线，横轴为进化代数，纵轴为适应度值。曲线趋势可反映算法收敛速度（如快速下降代表收敛快）与稳定性（如后期波动小代表稳定），标题中包含终止代数、种群数量、最优参数与交叉验证准确率等关键信息。
2. 分类结果对比图：绘制测试集“实际类别标签”与“预测类别标签”的对比图，横轴为测试集样本序号，纵轴为类别标签。通过两种标签的重合程度，可直观判断SVM模型对不同样本的分类准确性，便于定位分类错误的样本。
3. 基准函数可视化（func_plot.m）：提供23种基准函数（如F1为Sphere函数、F9为Rastrigin函数）的三维可视化功能，可用于测试DIH-GWO算法在不同复杂函数上的寻优能力，辅助算法改进与性能验证。

（七）辅助计算模块

该模块提供常用统计指标计算函数，用于评估模型预测精度，包含mymae.m、mymape.m与mymse.m文件。

1. 平均绝对误差（MAE）计算（mymae.m）：通过“实际值与预测值绝对差的平均值”计算MAE，反映预测值与真实值的平均偏差程度，值越小精度越高。
2. 平均绝对百分比误差（MAPE）计算（mymape.m）：以“实际值与预测值绝对差占实际值的百分比的平均值”计算MAPE，适用于需要关注相对误差的场景，避免因数据量级差异导致误差评估不准确。
3. 均方误差（MSE）计算（mymse.m）：通过“实际值与预测值差值的平方的平均值”计算MSE，对较大误差惩罚更严厉，可突出异常值对预测精度的影响，与适应度函数中的MSE计算形成呼应。

三、关键参数配置与调优建议

（一）核心参数说明

参数名称	含义	默认值	影响
N	狼群规模	20	规模过小时种群多样性不足，易陷入局部最优；过大则增加计算量，降低迭代速度
Max_iter	最大迭代次数	50	次数过少可能导致算法未收敛，无法找到最优参数；过多则增加冗余计算
ub	参数上界（[c的上界, g的上界]）	[500, 100]	上界过高可能导致参数搜索范围过大，增加寻优难度；过低可能错过最优解
lb	参数下界（[c的下界, g的下界]）	[0.001, 0.001]	下界过低可能导致参数过小，SVM模型性能下降；过高则限制搜索范围
dim	待优化参数个数	2	固定为2（对应c和g），无需修改

（二）调优建议

1. 狼群规模（N）：对于简单数据集（如样本数少、特征维度低），可将N设为15-25；复杂数据集（如高维、多类别）建议设为25-40，平衡多样性与计算效率。
2. 最大迭代次数（Max_iter）：若适应度曲线在50次迭代后仍未收敛（如后期持续下降），可增加至80-100次；若50次内已收敛，可减少至30-40次以节省时间。
3. 参数上下界（ub/lb）：惩罚参数c的上界可根据数据复杂度调整，简单数据设为300-500，复杂数据设为500-1000；核函数参数g的上界一般设为50-100，下界保持0.001即可，避免g过小导致核函数过于平滑，模型欠拟合。

四、代码运行流程与结果解读

（一）运行流程

1. 启动MATLAB，将所有代码文件放入同一目录，并将该目录设为当前工作目录。
2. 打开DIHGWOSVM.m文件，根据需求选择种群初始化方式（注释或取消注释Tent/Logistic混沌映射相关代码）。
3. 点击“运行”按钮，代码自动执行数据预处理、DIH-GWO算法寻优、SVM模型训练与预测、结果可视化等步骤。
4. 运行结束后，MATLAB命令行窗口输出最优参数（bestc、bestg）与测试集分类准确率；同时弹出两个图表：适应度曲线图与分类结果对比图。

（二）结果解读

1. 命令行输出：例如“Best c = 120.5，Best g = 8.2”“Accuracy = 96.7% (58/60)”，表示最优参数为c=120.5、g=8.2，测试集60个样本中58个分类正确，准确率96.7%。
2. 适应度曲线图：若“最佳适应度”曲线快速下降并在后期趋于平稳，说明算法收敛良好；若曲线波动较大或后期仍下降，可能需调整种群规模或迭代次数。
3. 分类结果对比图：若“实际标签”与“预测标签”曲线基本重合，仅少数样本存在差异，代表SVM模型分类效果优秀；若差异较多，需检查数据预处理步骤或调整算法参数。

五、适用场景与扩展方向

（一）适用场景

1. 结构化数据分类：如葡萄酒数据集、鸢尾花数据集、手写数字识别数据集等，特征为数值型且样本量适中（100-1000个）的场景。
2. SVM参数优化：适用于需提升SVM分类精度的任务，尤其当手动调参（如网格搜索）效率低、效果差时，可通过本算法实现自动化最优参数搜索。
3. 算法对比实验：可与传统GWO-SVM、粒子群优化（PSO）-SVM等算法对比，验证DIH-GWO算法在寻优精度、收敛速度上的优势。

（二）扩展方向

1. 数据集扩展：修改DIHGWOSVM.m中的数据加载与划分代码，适配其他数据集（如CSV格式数据），只需将数据读取为矩阵形式，并对应调整训练集与测试集的索引范围。
2. 算法改进：可引入其他混沌映射（如Chebyshev映射）或混合优化策略（如结合遗传算法的交叉变异操作），进一步提升算法寻优能力。
3. 任务扩展：将适应度函数改为回归任务的误差指标（如MSE），并调整SVM模型类型（将分类SVM改为回归SVM），可用于房价预测、股票走势预测等回归场景。
4. 并行计算优化：对于大规模数据集，可利用MATLAB的并行计算工具箱，将种群适应度计算改为并行执行，减少迭代时间。

六、注意事项

1. 环境依赖：代码基于MATLAB R2011b及以上版本开发，需确保安装“Statistics and Machine Learning Toolbox”（包含svmtrain与svmpredict函数），低版本MATLAB可能存在函数兼容性问题。
2. 混沌映射选择：同一实验中仅能选择一种种群初始化方式（Tent或Logistic），不可同时启用，否则会导致种群初始化错误。
3. 参数合理性检查：运行前需确认参数上下界（ub/lb）设置合理，避免出现上界小于下界的情况，否则边界约束处理函数会失效。
4. 结果可重复性：由于算法包含随机过程（如初始种群、随机系数），每次运行结果可能存在微小差异，若需重复实验，可在代码开头添加“rng(seed)”（seed为固定整数）设置随机种子。

IGWO-SVM：改良的灰狼优化算法改进支持向量机。 采用三种改进思路：两种Logistic和Tent混沌映射和采用DIH策略。 采用基于DIH维度学习的狩猎搜索策略为每只狼构建邻域，增强局部和全局搜索能力，收敛速度比GWO更快，适用于paper。