写一段鲸鱼算法优化支持向量机的代码，其中包含最佳适应度和平均适应度

好的，下面是使用鲸鱼算法（Whale Optimization Algorithm, WOA）优化支持向量机（SVM）的代码示例，其中包含最佳适应度和平均适应度：

import numpy as np
from sklearn import datasets
from sklearn.svm import SVC

# 鲸鱼算法参数
max_iter = 100  # 最大迭代次数
pop_size = 30  # 种群大小
a = 2  # 收缩因子
c = 1  # 比例因子

# 数据加载
iris = datasets.load_iris()
X = iris.data
y = iris.target

# SVM模型定义
svm = SVC(kernel='linear')

# 目标函数
def fitness(X, y, svm, w):
    svm.coef_ = w.reshape(1, -1)
    svm.intercept_ = np.array([0])
    svm.fit(X, y)
    return 1 - svm.score(X, y)

# 初始化种群
pop = np.random.uniform(-1, 1, size=(pop_size, X.shape[1]))

# 迭代优化
for t in range(max_iter):
    # 计算适应度
    fit = [fitness(X, y, svm, w) for w in pop]
    best_fit = np.min(fit)
    avg_fit = np.mean(fit)

    # 更新最佳适应度和平均适应度
    if t == 0:
        best_fit_all = best_fit
        avg_fit_all = avg_fit
    else:
        best_fit_all = min(best_fit_all, best_fit)
        avg_fit_all = (avg_fit_all * t + avg_fit) / (t + 1)

    # 更新最优解
    best_idx = np.argmin(fit)
    best = pop[best_idx]

    # 更新鲸鱼位置
    for i in range(pop_size):
        r = np.random.rand()  # 随机数
        A = 2 * a * r - a
        C = 2 * r  # 控制参数
        p = np.random.rand()  # 随机概率
        if p < 0.5:
            if np.abs(A) < 1:
                D = np.abs(C * best - pop[i])
                new_pos = best - A * D
            else:
                rand_idx = np.random.choice(pop_size)
                D = np.abs(C * pop[rand_idx] - pop[i])
                new_pos = pop[i] - A * D
        else:
            new_pos = best - C * np.random.uniform(-1, 1, X.shape[1])
        # 边界处理
        new_pos = np.clip(new_pos, -1, 1)
        # 更新种群
        if fitness(X, y, svm, new_pos) < fitness(X, y, svm, pop[i]):
            pop[i] = new_pos

# 输出结果
print('最佳适应度：', best_fit_all)
print('平均适应度：', avg_fit_all)

在上述代码中，我们使用鲸鱼算法来优化SVM的目标函数，即分类错误率。首先定义了鲸鱼算法的相关参数和SVM模型，然后定义了目标函数fitness，用于计算每个个体的适应度。接着初始化种群，并在每次迭代中更新最佳适应度和平均适应度。随后，我们对每个个体进行鲸鱼位置的更新，同时进行边界处理，最后根据新的位置更新种群。最终输出最佳适应度和平均适应度。

需要注意的是，本示例中的鲸鱼算法并不是专门为SVM设计的优化算法，其效果可能不如其他专门为SVM设计的优化算法（如SMO算法等）。