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：
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：
% 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：
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：
; % 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：
[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！
