基于鲸鱼优化的knn分类特征选择算法matlab仿真

1.程序功能描述

基于鲸鱼优化的KNN分类特征选择算法。使用鲸鱼优化算法，选择最佳的特征，进行KNN分类，从而提高KNN分类的精度。

2.测试软件版本以及运行结果展示

MATLAB2022a版本运行

3.核心程序

%---开始迭代---------------------------------------------------  
while t <= max_Iter  % 当迭代次数小于等于最大迭代次数时  
  t  
  a = 2 - t * (2 / max_Iter);  % 计算a的值  
  for i = 1:N  % 遍历每只鲸鱼  
    A = 2 * a * rand() - a;  % 计算A的值  
    C = 2 * rand();  % 计算C的值  
    p = rand();  % 生成一个随机数p  
    l = -1 + 2 * rand();  % 计算l的值  
 
    % 根据p的值选择更新策略  
    if p  < 0.5  
      if abs(A) < 1  
        for d = 1:dim  % 更新鲸鱼的位置（策略1）  
          Dx     = abs(C * Xgb(d) - X(i,d));  
          X(i,d) = Xgb(d) - A * Dx;  
        end 
      elseif abs(A) >= 1  
        for d = 1:dim  % 更新鲸鱼的位置（策略2）  
          k      = randi([1,N]);  
          Dx     = abs(C * X(k,d) - X(i,d));  
          X(i,d) = X(k,d) - A * Dx;  
        end 
      end 
    elseif p >= 0.5  
      for d = 1:dim  % 更新鲸鱼的位置（策略3）  
        dist   = abs(Xgb(d) - X(i,d));  
        X(i,d) = dist * exp(b * l) * cos(2 * pi * l) + Xgb(d);  
      end 
    end 
 
    % 对鲸鱼位置进行边界处理  
    XB = X(i,:);  XB(XB > ub) = ub;  XB(XB < lb) = lb;   
    X(i,:) = XB;  
  end 
 
  % 在每次迭代后重新计算适应度并更新最佳位置和适应度  
  for i = 1:N  
    fit(i) = fun(Feature0,label,(X(i,:) > 0.5),P0S);  
    if fit(i) < fitG  
      fitG = fit(i);  
      Xgb  = X(i,:);  
    end 
  end 
 
  curve(t) = fitG;  % 记录当前迭代的最佳适应度  
 
  t = t + 1;  % 迭代次数加1  
end 
 
Pos   = 1:dim;  % 生成一个从1到dim的序列  
Sf    = Pos((Xgb > 0.5) == 1);  % 找出最佳位置中大于0.5的维度的索引  
Nf    = length(Sf);  % 计算选择的特征数量  
Feat_sel = Feature0(:,Sf);  % 根据选择的特征索引提取特征  
 
% Accuracy
Acc = func_KNN(Feat_sel,label,hold_out); 
fprintf('\n Accuracy: %g %%',Acc);
 
figure;
plot(1:max_Iter,curve,'-bs',...
    'LineWidth',1,...
    'MarkerSize',6,...
    'MarkerEdgeColor','k',...
    'MarkerFaceColor',[0.9,0.0,0.0]);
xlabel('迭代次数');
ylabel('Fitness');
grid on;
 
figure;
bar([size(Feature0,2),size(Feat_sel,2)]);
xlabel('1:原特征数量，   2:优化后特征数量');
25