CS布谷鸟算法、PSO粒子群优化源码中文注释

CS（布谷鸟算法）、PSO（粒子群优化算法）源码中文逐行注释，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）: ）;
%% CS-SVM
time=20;
n=20; % n为巢穴数量
pa=0.25; % 被宿主发现的概率
dim = 2; % 需要寻优的参数个数
Lb=[0.010.01]; % 设置参数下界
Ub=[100100]; % 设置参数上界

% 随机初始化巢穴
nest=zeros（ndim）;
for i=1:n % 遍历每个巢穴
    nest（i:）=Lb+（Ub-Lb）.*rand（size（Lb））; % 对每个巢穴，随机初始化参数
end

fitness=ones（1n）; % 目标函数值初始化
[fminbestnestnestfitness]=get_best_nest_svm（nestnestfitnesstrain_wine_labelstrain_winetest_wine_labelstest_wine）; % 找出当前最佳巢穴和参数

%% 迭代开始
for t=1:time
    new_nest=get_cuckoos（nestbestnestLbUb）; % 保留当前最优解，寻找新巢穴
    [~~nestfitness]=get_best_nest_svm（nestnew_nestfitnesstrain_wine_labelstrain_winetest_wine_labelstest_wine）; % 找出当前最佳巢穴和参数
    new_nest=empty_nests（nestLbUbpa）; % 发现并更新劣质巢穴
    % 找出当前最佳巢穴和参数
    [fnewbestnestfitness]=get_best_nest_svm（nestnew_nestfitnesstrain_wine_labelstrain_winetest_wine_labelstest_wine）; 
    if fnew        fmin=fnew;
        bestnest=best ;
    end
end
%% 打印参数选择结果
bestobjfun=fmin;
bestc=bestnest（1）;
bestg=bestnest（2）;
disp（‘打印参数选择结果‘）;
str=sprintf（‘Best c = %g，Best g = %g‘bestcbestg）;
disp（str）
%% 利用最佳的参数进行SVM网络训练
cmd_gwosvm = [‘-c ‘num2str（bestc）‘ -g ‘num2str（bestg）];
model_gwosvm = svmtrain（train_wine_labelstrain_winecmd_gwosvm）;
%% SVM网络预测
[predict_labelaccuracy] = svmpredict（test_wine_labelstest_winemodel_gwosvm）;
% 打印测试集分类准确率
total = length（test_wine_labels）;
right = sum（predict_label == test_wine_labels）;
disp（‘打印测试集分类准确率‘）;
str = sprintf（ ‘Accuracy = %g%% （%d/%d）‘accuracy（1）righttotal）;
disp（str）;
%% 结果分析
% 测试集的实际分类和预测分类图
figure;
hold on;
plot（test_wine_labels‘o‘）;
plot（predict_label‘r*‘）;
xlabel（‘测试集样本‘‘FontSize‘12）;
ylabel（‘类别标签‘‘FontSize‘12）;
legend（‘实际测试集分类‘‘预测测试集分类‘）;
title（‘测试集的实际分类和预测分类图‘‘FontSize‘12）;
grid on
snapnow
%% 显示程序运行时间
toc

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     目录           0  2016-09-05 17:22  CS-SVM\
     文件        3051  2016-09-05 17:22  CS-SVM\CS_SVM_exmp.m
     文件        2716  2016-09-05 17:00  CS-SVM\CS_SVR_exmp.m
     文件        6483  2016-09-05 16:52  CS-SVM\cuckoo_ori_with_chinese_note.m
     文件         999  2016-09-05 16:49  CS-SVM\empty_nests.m
     文件         426  2016-09-05 16:49  CS-SVM\fobj.m
     文件         676  2016-09-05 17:22  CS-SVM\get_best_nest.m
     文件         698  2016-09-05 17:21  CS-SVM\get_best_nest_svm.m
     文件        1629  2016-09-05 16:49  CS-SVM\get_cuckoos.m
     文件          70  2016-09-05 16:49  CS-SVM\mymae.m
     文件          85  2016-09-05 16:49  CS-SVM\mymape.m
     文件          74  2016-09-05 16:49  CS-SVM\mymse.m
     文件         402  2016-09-05 17:13  CS-SVM\objfun.m
     文件         376  2016-09-05 16:49  CS-SVM\simplebounds.m
     文件       20168  2016-09-05 17:17  CS-SVM\wine.mat
     文件         447  2016-09-05 16:49  CS-SVM\wndspd.mat
     目录           0  2016-09-05 16:45  PSO-SVM\
     文件         426  2016-09-05 16:14  PSO-SVM\fobj.m
     文件         108  2016-09-05 15:04  PSO-SVM\fun.m
     文件          70  2016-09-05 16:14  PSO-SVM\mymae.m
     文件          85  2016-09-05 16:14  PSO-SVM\mymape.m
     文件          74  2016-09-05 16:14  PSO-SVM\mymse.m
     文件         402  2016-09-05 17:12  PSO-SVM\objfun.m
     文件        4106  2016-09-05 16:43  PSO-SVM\PSO_SVM_exmp.m
     文件        3814  2016-09-05 17:00  PSO-SVM\PSO_SVR_exmp.m
     文件        2276  2016-09-05 16:11  PSO-SVM\pso_test.m
     文件       20168  2016-09-05 16:37  PSO-SVM\wine.mat
     文件         447  2016-09-05 16:14  PSO-SVM\wndspd.mat