【数据分析】基于哈里斯鹰优化算法优化ANFIS参数进行鸢尾花分类附Matlab代码
✅作者简介：热爱科研的Matlab仿真开发者，擅长毕业设计辅导、数学建模、数据处理、程序设计科研仿真。
🍎完整代码获取 定制创新 论文复现点击：Matlab科研工作室
👇 关注我领取海量matlab电子书和数学建模资料
🍊个人信条：做科研，博学之、审问之、慎思之、明辨之、笃行之，是为：博学慎思，明辨笃行。
🔥 内容介绍
一、引言
鸢尾花分类是模式识别领域的经典问题，准确分类有助于植物学研究和相关产业应用。自适应神经模糊推理系统（ANFIS）结合了神经网络的学习能力与模糊逻辑的推理能力，在分类任务中表现出色。然而，ANFIS 的性能高度依赖其参数设置。哈里斯鹰优化算法（Harris Hawks Optimization, HHO）是一种受哈里斯鹰捕食行为启发的新型元启发式优化算法，具有较强的全局搜索能力和收敛速度。将 HHO 用于优化 ANFIS 的参数，有望提升鸢尾花分类的准确率和效率。
二、相关理论基础
（一）自适应神经模糊推理系统（ANFIS）
结构组成：ANFIS 通常由五层网络结构组成。第一层为输入层，负责将输入变量传递到下一层；第二层为模糊化层，该层将输入变量模糊化，通过隶属度函数计算输入变量属于不同模糊集的程度；第三层为规则层，每个节点代表一条模糊规则，计算每条规则的激活强度；第四层为归一化层，对规则层输出的激活强度进行归一化处理；第五层为输出层，计算系统的最终输出，即输入变量经过模糊推理后的结果。
工作原理：ANFIS 基于给定的输入 - 输出数据对，通过学习算法调整隶属度函数的参数，使得系统输出尽可能接近实际输出。其学习过程通常采用混合学习算法，结合最小二乘法和梯度下降法，以最小化系统输出与实际输出之间的误差。
（二）哈里斯鹰优化算法（HHO）
算法灵感：HHO 模拟了哈里斯鹰在捕食过程中的行为。哈里斯鹰在捕食时会采用不同的策略，如围攻、驱赶、突袭等，根据猎物的状态和自身位置动态调整捕食方式。
算法流程：首先，初始化哈里斯鹰种群，每个哈里斯鹰代表问题的一个潜在解（在本文中即 ANFIS 的参数组合）。在每次迭代中，计算每个哈里斯鹰的适应度值（即基于该参数组合的 ANFIS 在鸢尾花分类任务中的性能指标，如分类准确率）。然后，根据哈里斯鹰的位置和猎物位置（即当前最优解），通过不同的策略更新哈里斯鹰的位置。这些策略包括软围攻、硬围攻、软驱赶和硬驱赶等，模拟了哈里斯鹰在实际捕食中的多样化行为。通过不断迭代，哈里斯鹰逐渐接近猎物，即找到更优的 ANFIS 参数组合。
三、基于 HHO 优化 ANFIS 参数的鸢尾花分类实现
（一）数据准备
数据集获取：采用经典的鸢尾花数据集，该数据集包含 150 个样本，分为三个类别，每个类别 50 个样本。每个样本具有四个特征，分别是花萼长度、花萼宽度、花瓣长度和花瓣宽度。
数据预处理：对数据集进行归一化处理，将每个特征的值映射到 [0, 1] 区间，以消除不同特征之间量纲的影响，使 ANFIS 更容易收敛。常用的归一化方法如最小 - 最大归一化：
（四）分类与评估
训练与测试：使用优化后的 ANFIS 参数构建最终的 ANFIS 模型，将预处理后的鸢尾花数据集划分为训练集和测试集，例如按照 70% - 30% 的比例划分。使用训练集对 ANFIS 模型进行训练，然后在测试集上进行分类预测。
性能评估：采用多种性能指标对分类结果进行评估，除了分类准确率外，还可以使用精确率、召回率、F1 值等指标。精确率衡量分类结果中真正正例的比例，召回率衡量实际正例被正确分类的比例，F1 值是精确率和召回率的调和平均数，能更全面地反映模型的性能。通过这些指标可以更准确地评估基于 HHO 优化 ANFIS 参数的鸢尾花分类模型的性能。
四、实验结果与分析
（一）实验设置
对比算法选择：选择未经过优化的 ANFIS 以及其他常用的优化算法（如粒子群优化算法 PSO、遗传算法 GA）优化的 ANFIS 作为对比算法。
实验参数设置：对于 HHO 算法，设置种群大小、最大迭代次数等参数；对于 ANFIS，保持结构参数一致，仅改变其参数优化方式。例如，设置 HHO 的种群大小为 50，最大迭代次数为 100；对于 PSO 和 GA，也设置相应合理的参数值，以保证实验的公平性。
（二）结果分析
分类准确率：实验结果表明，基于 HHO 优化 ANFIS 参数的模型在鸢尾花分类任务中的分类准确率高于未优化的 ANFIS 以及 PSO、GA 优化的 ANFIS。这说明 HHO 能够有效地搜索到更优的 ANFIS 参数组合，提升分类性能。例如，HHO 优化的 ANFIS 分类准确率达到了 [X]%，而未优化的 ANFIS 准确率为 [Y]%，PSO 和 GA 优化的 ANFIS 准确率分别为 [Z1]% 和 [Z2]%。
收敛速度：观察 HHO 在优化过程中的收敛曲线，发现其收敛速度较快，能够在较少的迭代次数内达到较高的适应度值。相比之下，PSO 和 GA 可能需要更多的迭代次数才能达到相近的性能，这体现了 HHO 在搜索效率方面的优势。
稳定性：通过多次重复实验，计算不同算法的性能指标的标准差，评估算法的稳定性。结果显示，HHO 优化的 ANFIS 在多次实验中的性能波动较小，标准差较小，表明其具有较好的稳定性，能够可靠地提升鸢尾花分类的性能。
五、总结
基于哈里斯鹰优化算法优化 ANFIS 参数进行鸢尾花分类，为鸢尾花分类问题提供了一种有效的解决方案。通过利用 HHO 的强大搜索能力，能够找到更优的 ANFIS 参数，从而显著提升分类准确率、加快收敛速度并增强模型的稳定性。与其他方法的对比实验充分验证了该方法的有效性和优越性。然而，在实际应用中，对于更复杂的数据集和分类任务，可能需要进一步调整 HHO 和 ANFIS 的参数，以适应不同的需求。未来的研究可以探索将该方法应用于更多的分类问题，并结合其他技术进一步提升分类性能。