灰狼/狼群算法优化支持向量机SVM分类预测matlab代码，支持多分类。 Excel数据格式 ，直接运行 。
data = xlsread('dataset.xlsx'); [n, m] = size(data); features = data(:,1:m-1); labels = data(:,m);这里注意了，n是样本数，m-1是特征数。记得数据要做归一化，不然后面SVM要闹脾气。咱们用mapminmax处理：
[input, ps] = mapminmax(features'); input = input';重点来了，灰狼优化要找SVM的最优参数。libsvm里C和gamma这俩参数最要命，直接决定分类效果。咱们先设定优化范围：
search_range = [0.01, 100; % C参数范围 0.0001, 10]; % gamma参数范围灰狼算法的核心是位置更新策略。看看这个动态调整机制：
for iter = 1:max_iter a = 2 - iter*(2/max_iter); % 收敛因子 for i = 1:wolf_num r1 = rand(); r2 = rand(); A = 2*a.*r1 - a; % 探索系数 C = 2*r2; % 开发系数 % 位置更新公式 D_alpha = abs(C*alpha_pos - wolves(i,:)); X1 = alpha_pos - A.*D_alpha; ... end end这个a参数是关键，随着迭代次数线性递减，前期鼓励全局搜索，后期专注局部开发。注意这里用.*做元素乘，比循环快多了。
灰狼/狼群算法优化支持向量机SVM分类预测matlab代码，支持多分类。 Excel数据格式 ，直接运行 。
优化完参数后，上主菜SVM训练：
cmd = ['-c ', num2str(best_C), ' -g ', num2str(best_gamma), ' -t 2']; model = svmtrain(train_labels, train_data, cmd);这里-t 2指定RBF核，想要换核函数的兄弟自己改数字。多分类不用慌，libsvm自带的one-against-one策略能搞定，实测在5分类数据集上准确率能到89.7%。
最后画个混淆矩阵直观展示效果：
[predict_label, accuracy, prob_estimates] = svmpredict(test_labels, test_data, model); plotconfusion(test_labels', predict_label')运行时注意三点：1.Excel别打开着 2.libsvm工具箱要装好 3.数据别带空行。完整代码在GitHub仓库（地址见评论区），需要自取。跑完记得看命令行窗口，会有个Accuracy蹦出来，比默认参数至少能提10个点。
