ABC-SVM算法，详细中文注释

对ABC算法的源码逐行做了中文注释，并以优化SVM参数为例，是很好的学习材料。

tic % 计时器
%% 清空环境，准备数据
close all
clear
clc
format compact
% 载入测试数据wine其中包含的数据类别数为3；wine:178*13的矩阵wine_labes:178*1的列向量
load wine
% 选定训练集和测试集
% 将第一类的1-30第二类的60-95第三类的131-153做为训练集
train_wine = [wine（1:30:）;wine（60:95:）;wine（131:153:）];
% 相应的训练集的标签也要分离出来
train_wine_labels = [wine_labels（1:30）;wine_labels（60:95）;wine_labels（131:153）];
% 将第一类的31-59第二类的96-130第三类的154-178做为测试集
test_wine = [wine（31:59:）;wine（96:130:）;wine（154:178:）];
% 相应的测试集的标签也要分离出来
test_wine_labels = [wine_labels（31:59）;wine_labels（96:130）;wine_labels（154:178）];
% 数据预处理
% 数据预处理将训练集和测试集归一化到[01]区间
[mtrainntrain] = size（train_wine）;
[mtestntest] = size（test_wine）;
dataset = [train_wine;test_wine];

[dataset_scaleps] = mapminmax（dataset‘01）;
dataset_scale = dataset_scale‘;

train_wine = dataset_scale（1:mtrain:）;
test_wine = dataset_scale（ （mtrain+1）:（mtrain+mtest）: ）;
%% %%%%%%%%%%%%%用ABC算法优化SVM中的参数c和g开始%%%%%%%%%%%%%%%%%%%%
%% 参数初始化
NP=20; % 蜂群规模
FoodNumber=NP/2; % 蜜源（解）数量
limit=100; % 当有蜜源连续没被更新的次数超过limit时，该蜜源将被重新初始化
maxCycle=10; % 最大迭代次数
% 待优化参数信息
D=2; % 待优化参数个数，次数为c和g两个
ub=ones（1D）*100; % 参数取值上界，此处将c和g的上界设为100
lb=ones（1D）*（0.01）; % 参数取值下界，此处将c和g的下界设为0.01

runtime=2; % 可用于设置多次运行（让ABC算法运行runtime次）以考察程序的稳健性

BestGlobalMins=ones（1runtime）; % 全局最小值初始化，这里的优化目标为SVM预测结果中的平均平方误差（MSE），初始化为最差值1
BestGlobalParams=zeros（runtimeD）; % 用于存放ABC算法优化得到的最优参数

for r=1:runtime % 运行ABC算法runtime次
    % 初始化蜜源
    Range = repmat（（ub-lb）[FoodNumber 1]）;
    Lower = repmat（lb [FoodNumber 1]）;
    Foods = rand（FoodNumberD） .* Range + Lower;

    % 计算每个蜜源（解）得目标函数值，objfun为计算SVM预测的平均平方误差（MSE）的函数，根据自己的实际问题变异目标函数即可
    ObjVal=ones（1FoodNumber）; 
    for k = 1:FoodNumber
        ObjVal（k） = objfun（Foods（k:）train_wine_labelstrain_winetest_wine_labelstest_wine）;
    end
    Fitness=calculateFitness（ObjVal）; % 计算适应度函数值
    
    trial=zeros（1FoodNumber）; % 用于记录第i个蜜源有连续trail（i）次没被更新过

    % 标记最优蜜源（解）
    BestInd=find（ObjVal==min（ObjVal））; 
    BestInd=BestInd（end）;
    GlobalMin=ObjVal（BestInd）; % 更新全局最优目标函数值
    GlobalParams=Foods（BestInd:）; % 更新全局最优参数为最优蜜源

    iter=1; % 迭代开始
    while （（iter <= maxCycle）） % 循环条件

%%%%%%%%%%%%%%%%%%%%%引领蜂搜索解的过程%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
        for i=1:（FoodNumber） % 遍历每个蜜源（解）
            Param2Change=fix（rand*D）+1; % 随机选择需要变异的参数
            neighbour=fix（rand*（FoodNumber））+1; % 随机选择相邻蜜源（解）以准备变异
            % 需要保证选择的相邻蜜源不是当前蜜源（i）
            while（neighbour==i）
                neighbour=fix（rand*（FoodNumber））+1;
            end
            sol=Foods（i:）; % 提取当前蜜源（解）对应的的参数
            % 参数变异得到新的蜜源：v_{ij}=x_{ij}+\phi_{ij}*（x_{kj}-x_{ij}）
            sol（Param2Change）=Foods（iParam2Change）+（Foods（iParam2Change）-Foods（neighbourParam2Change））*（rand-0.5）*2;
            % 确保参数取值范围不越界
            ind=find（sol            sol（ind）=lb（ind）;
            ind=find（sol>ub）;
            sol（ind）=ub（ind）;
            % 计算变异后蜜源的目标函数值和适应度函数值
            ObjValSol=objfun（sol

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     文件        8168  2016-09-04 17:10  ABC_SVM_exmp.m
     文件        7867  2016-09-04 17:10  ABC_SVR_exmp.m
     文件         182  2008-06-09 19:54  calculateFitness.m
     文件         430  2016-09-04 16:56  fobj.m
     文件          70  2016-09-04 10:55  mymae.m
     文件          85  2016-09-04 10:55  mymape.m
     文件          74  2016-09-04 10:55  mymse.m
     文件         407  2016-09-04 10:04  objfun.m
     文件       20168  2016-09-04 09:25  wine.mat
     文件         447  2016-09-04 10:41  wndspd.mat