蜣螂优化LSSVM参数实战

蜣螂优化算法DBO优化LSSVM的c和g参数做多特征输入单输出的二分类及多分类模型。程序内注释详细替换数据就可以用。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。

大家可能没想到，屎壳郎这种小昆虫的觅食行为竟然能给机器学习调参带来灵感。今天咱们就用Matlab搞点有意思的------把蜣螂优化算法(DBO)和最小二乘支持向量机(LSSVM)结合，做个能自动调参的分类神器。准备好了吗？直接上代码！

先看核心的适应度函数，这里用5折交叉验证计算分类准确率：

matlab 复制代码

function accuracy = fitnessFunc(position,train_data)
    % 拆分参数
    c = position(1);   % 正则化参数
    g = position(2);   % RBF核参数
    
    % 数据预处理
    [train_x,test_x] = mapminmax(train_data(:,1:end-1)',0,1);
    train_data = [train_x' train_data(:,end)];
    
    % 5折交叉验证
    indices = crossvalind('Kfold',size(train_data,1),5);
    cv_acc = zeros(5,1);
    for i=1:5
        test_idx = (indices == i);
        train_idx = ~test_idx;
        % LSSVM训练（关键参数设置）
        model = initlssvm(train_data(train_idx,1:end-1),train_data(train_idx,end),'c',c,1,...
                         'RBF_kernel',g);
        model = trainlssvm(model);
        % 验证集预测
        pred = simlssvm(model,train_data(test_idx,1:end-1));
        cv_acc(i) = sum(pred==train_data(test_idx,end))/length(pred);
    end
    accuracy = mean(cv_acc); % 取平均准确率
end

这段代码有三个亮点：1）自动归一化处理，避免量纲影响；2）交叉验证防止过拟合；3）参数位置与算法直接绑定，方便优化器调整。

接下来是DBO优化器的核心迭代逻辑：

matlab 复制代码

% 初始化蜣螂种群
dung_pop = zeros(pop_size,2);
dung_pop(:,1) = unifrnd(c_range(1),c_range(2),pop_size,1); % c参数初始化
dung_pop(:,2) = unifrnd(g_range(1),g_range(2),pop_size,1); % g参数初始化

for iter=1:max_iter
    % 动态调整搜索半径
    radius = max_radius * (1 - iter/max_iter);
    
    % 粪球滚动行为更新
    new_pop = dung_pop + radius * randn(pop_size,2);
    
    % 边界处理（防止参数越界）
    new_pop(:,1) = min(max(new_pop(:,1),c_range(1)),c_range(2));
    new_pop(:,2) = min(max(new_pop(:,2),g_range(1)),g_range(2));
    
    % 适应度评估
    all_pop = [dung_pop; new_pop];
    fitness = arrayfun(@(k) fitnessFunc(all_pop(k,:),data),1:size(all_pop,1));
    
    % 精英保留策略
    [~,idx] = sort(fitness,'descend');
    dung_pop = all_pop(idx(1:pop_size),:);
    
    % 记录最优解
    [best_acc(iter),best_id] = max(fitness);
    best_pos(iter,:) = all_pop(best_id,:);
end

这里用到了动态搜索半径和精英保留策略，迭代过程中参数搜索范围逐渐缩小，既保证全局搜索又兼顾局部细化。

训练完成后，可视化模块才是重头戏。来看混淆矩阵绘制：

matlab 复制代码

function plotConfusionMatrix(true_label,pred_label)
    classes = unique(true_label);
    cm = confusionmat(true_label,pred_label);
    
    figure('Color',[1 1 1])
    imagesc(cm);
    colormap(jet); colorbar;
    xticks(1:length(classes));
    yticks(1:length(classes));
    title('Confusion Matrix','FontSize',12);
    xlabel('Predicted Class');
    ylabel('True Class');
    
    % 添加数字标注
    for i=1:size(cm,1)
        for j=1:size(cm,2)
            text(j,i,num2str(cm(i,j)),...
                'HorizontalAlignment','center',...
                'Color',cm(i,j)==mode(cm(:))*0.8);
        end
    end
end

这个混淆矩阵用色阶图直观展示分类效果，特别加了数值标注，一眼就能看出哪里分类出错多。

实际跑起来效果如何？拿UCI的Iris数据集测试：

![参数优化过程](

左图展示了c和g参数的优化路径，可以看到算法在迭代中逐步收敛到最优区域。右图的分类边界清晰，特别是对setosa类的区分非常明显。

需要替换自己的数据？只需修改数据加载部分：

matlab 复制代码

% 二分类示例
data = load('your_data.csv');
% 多分类示例（标签需为整数）
data = [features, categorical_labels];

对于高维数据，建议在预处理部分加入PCA降维：

matlab 复制代码

[coeff,score] = pca(train_x');
train_x = score(:,1:3); % 取前3个主成分

踩过几个坑提醒大家：1）c和g的初始范围建议设为[0.1,100]，用对数尺度搜索效果更好；2）类别不平衡时在适应度函数里改用F1-score；3）大数据集记得把交叉验证折数减少到3折。

完整代码把这三个模块串起来，最后输出三张图：迭代曲线、分类边界、混淆矩阵。想要更炫的可视化？可以试试把二维决策边界改成三维曲面，或者加入动态优化过程录像功能------这个留给各位自己发挥吧！