1.程序功能描述
基于WOA算法的SVDD参数寻优,将优化后的SVDD模型进行数据分类，并对测试数据进行抗干扰测试，得到不同干扰下的分类误差曲线。
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
% 更新搜索代理的位置
for i=1:size(Pxy,1)
r1=rand();
r2=rand();
A=2*a*r1-a;
C=2*r2;
b=1;
l=(a2-1)*rand+1;
p = rand();
for j=1:size(Pxy,2)
if p<0.5
if abs(A)>=1% 随机选择一个领导者的索引
rand_leader_index = floor(Npop*rand()+1);
X_rand = Pxy(rand_leader_index, :);
D_X_rand=abs(C*X_rand(j)-Pxy(i,j));
Pxy(i,j)=X_rand(j)-A*D_X_rand;
elseif abs(A)<1
D_Leader=abs(C*Xbest(j)-Pxy(i,j));
Pxy(i,j)=Xbest(j)-A*D_Leader;
end
elseif p>=0.5
distance2Leader=abs(Xbest(j)-Pxy(i,j));
Pxy(i,j)=distance2Leader*exp(b.*l).*cos(l.*2*pi)+Xbest(j);
end
end
end
t=t+1;
yline(t)=Ybest;% 输出当前迭代次数和最佳成绩
end
SNR = [0:1:60];
for ij = 1:length(SNR)
for j = 1:50
testdata2 = awgn(testdata,SNR(ij),'measured');
%使用最优模型进行测试
[predictlabel, accuracy, ~] = libsvmpredict(testlabel, testdata2, model);
error(ij,j) = mean((testlabel-predictlabel));
end
end
figure;
plot(SNR,mean(error,2),'-mo',...
'LineWidth',1,...
'MarkerSize',6,...
'MarkerEdgeColor','k',...
'MarkerFaceColor',[0.5,0.9,0.0]);
xlabel('SNR');
ylabel('预测误差');
44
4.本算法原理
鲸鱼优化算法（Whale Optimization Algorithm, WOA）是一种模拟鲸鱼捕食行为的智能优化算法，近年来在诸多领域得到广泛应用，其中包括支持向量数据描述（Support Vector Data Description, SVDD）模型的参数寻优。SVDD是一种基于核方法的非线性单类分类模型，通过寻找最小体积的超球体来包容训练样本，从而实现对正常数据的描述。然而，SVDD的性能很大程度上取决于其模型参数的选择，例如惩罚因子C和核函数参数γ。
WOA模拟了鲸鱼觅食过程中两种主要的行为模式：觅食猎物（Bubble-net Foraging）和搜索分散猎物（Encircling Prey）。算法通过更新搜索代理的位置，逐步逼近全局最优解。对于第i个搜索代理，其位置更新公式如下：
将SVDD的参数向量Θ=[C,γ]视为WOA算法的搜索空间，通过迭代优化找到最优的参数组合。具体步骤如下：
初始化WOA算法参数（如种群大小、最大迭代次数、参数边界等），并随机初始化各个搜索代理的位置（即不同的SVDD参数组合）。
应用WOA更新规则，对每一个搜索代理的参数向量进行迭代优化。每次迭代过程中，计算当前参数组合下的SVDD模型性能（如泛化能力、轮廓系数等），并将最优参数对应的搜索代理设置为新的全局最优解。
当达到最大迭代次数或满足停止准则时，输出全局最优解所对应的SVDD参数组合。
