利用GA优化SVM参数的一点小探索.docx

文档介绍：利用GA优化SVM参数的一点小探索
利用 GA
优化 SVM 参数的一点小探
索
其中 GA 代
码思路，《MATLAB遗传 算法工具箱与应用》（G_G）O.',, .
'cbound',[,100],'gbound',[,1000],'v',3);
end
% maxgen: 最大的进化代数 , 默认为 100, 一般取值范围为 [100,500]
% sizepop: 种群最大数量 , 默认为 20, 一般取值范围为 [20,100]
% pCrossover: 交叉概率 , 默认为 , 一般取值范围为 [,]
% pMutation: 变异概率 , 默认为 , 一般取值范围为 [,]
% cbound = [cmin,cmax], 参数 c 的变化范围 , 默认为 [,100]
% gbound = [gmin,gmax], 参数 g 的变化范围 , 默认为 [,1000]
% v:SVM Cross Validation 参数 , 默认为 3
c_len_chromosome = ceil(log2(((2)-(1))*100));
g_len_chromosome = ceil(log2(((2)-(1))*100)); len_chromosome = c_len_chromosome+g_len_chromosome;
% 将种群信息定义为一个结构体 individuals=struct('fitness',zeros(1,), ...
'chromosome',zeros(,len_chromosom e));
% 每一代种群的平均适应度 avgfitness_gen = zeros(1,);
% 每一代种群的最佳适应度 bestfitness_gen = zeros(1,);
% 最佳适应度
bestfitness = 0;
% 适应度最好的染色体 bestchromosome = zeros(1,len_chromosome);
%% 初始化种群
for i = 1:
% 编码
(i,:) = unidrnd(2,1,len_chromosome)-1;
% 解码
[c,g] = ga_decode((i,:),, nd);
% 计算初始适应度 (CV 准确率 )
cmd = ['-v ',num2str(),' -c ',num2str( c ),' -g ',num2str( g )];
(i) = svmtrain(t