MATLAB实现GWO-ELM灰狼优化算法优化极限学习机多输入单输出回归预测（完整源码和数据)

%% 清空环境变量 warning off % 关闭报警信息 close all % 关闭开启的图窗 clear % 清空变量 clc % 清空命令行 %% 读取数据 res = xlsread('数据集.xlsx'); %% 数据分析 num_size = 0.7; % 训练集占数据集比例 outdim = 1; % 最后一列为输出 num_samples = size(res, 1); % 样本个数 % res = res(randperm(num_samples), :); % 打乱数据集（不希望打乱时，注释该行） num_train_s = round(num_size * num_samples); % 训练集样本个数 f_ = size(res, 2) - outdim; % 输入特征维度 %% 划分训练集和测试集 P_train = res(1: num_train_s, 1: f_)'; T_train = res(1: num_train_s, f_ + 1: end)'; M = size(P_train, 2); P_test = res(num_train_s + 1: end, 1: f_)'; T_test = res(num_train_s + 1: end, f_ + 1: end)'; N = size(P_test, 2); %% 数据归一化 [p_train, ps_input] = mapminmax(P_train, 0, 1); p_test = mapminmax('apply', P_test, ps_input ); t_train = T_train; t_test = T_test ; %% 参数设置 inputnum = size(p_train, 1); % 输入层节点数 hiddennum = 50; % 隐含层节点个数 %% 优化参数设置 Particles_no = 6; % 种群数量 Max_iter = 50; % 设定最大迭代次数 dim = hiddennum * inputnum + hiddennum; % 优化参数个数 lb = -1 * ones(1, dim); % 优化参数目标下限 ub = 1 * ones(1, dim); % 优化参数目标上限 %% 优化算法 fobj = @(x)fun(x, p_train, t_train, hiddennum); [Best_pos,Best_score, curve] = GWO(Particles_no, Max_iter, lb, ub, dim, fobj); %% 获取最优权值 w1 = Best_pos(1 : inputnum * hiddennum); B1 = Best_pos(inputnum * hiddennum + 1 : inputnum * hiddennum + hiddennum); IW = reshape(w1, hiddennum, inputnum); B = reshape(B1, hiddennum, 1); %% 网络训练 [IW, B, LW, TF, TYPE] = elmtrain(p_train, t_train, 'sig', 0, IW, B); %% 网络预测 T_sim1 = elmpredict(p_train, IW, B, LW, TF, TYPE); T_sim2 = elmpredict(p_test , IW, B, LW, TF, TYPE); %% 均方根误差 error1 = sqrt(sum((T_sim1 - T_train).^2) ./ M); error2 = sqrt(sum((T_sim2 - T_test ).^2) ./ N); %% 绘图 figure plot(1: M, T_train, 'r-*', 1: M, T_sim1, 'b-o', 'LineWidth', 1) legend('真实值','预测值') xlabel('预测样本') ylabel('预测结果') string = {'训练集预测结果对比'; ['RMSE=' num2str(error1)]}; title(string) xlim([1, M]) grid figure plot(1: N, T_test, 'r-*', 1: N, T_sim2, 'b-o', 'LineWidth', 1) legend('真实值','预测值') xlabel('预测样本') ylabel('预测结果') string = {'测试集预测结果对比';['RMSE=' num2str(error2)]}; title(string) xlim([1, N]) grid %% 适应度曲线 figure; plot(1 : length(curve), curve, 'LineWidth', 1.5); title('适应度曲线', 'FontSize', 13); xlabel('迭代次数', 'FontSize', 10); ylabel('适应度值', 'FontSize', 10); grid %% 相关指标计算 % R2 R1 = 1 - norm(T_train - T_sim1)^2 / norm(T_train - mean(T_train))^2; R2 = 1 - norm(T_test - T_sim2)^2 / norm(T_test - mean(T_test ))^2; disp(['训练集数据的R2为：', num2str(R1)]) disp(['测试集数据的R2为：', num2str(R2)]) % MAE mae1 = sum(abs(T_sim1 - T_train)) ./ M ; mae2 = sum(abs(T_sim2 - T_test )) ./ N ; disp(['训练集数据的MAE为：', num2str(mae1)]) disp(['测试集数据的MAE为：', num2str(mae2)]) % MBE mbe1 = sum(T_sim1 - T_train) ./ M ; mbe2 = sum(T_sim2 - T_test ) ./ N ; disp(['训练集数据的MBE为：', num2str(mbe1)]) disp(['测试集数据的MBE为：', num2str(mbe2)])