MATLAB实现基于GWO-LSTM灰狼算法优化长短期记忆神经网络的多变量时间序列预测（完整程序和数据）

%% 灰狼优化lstm多变量时间序列预测 %% 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 tic % restoredefaultpath %% %% 导入数据 result = xlsread('数据集.xlsx'); %% 数据分析 num_samples = length(result); % 样本个数 or_dim = size(result, 2); % 原始特征+输出数目 kim = 10; % 延时步长（kim个历史数据作为自变量） zim = 1; % 跨zim个时间点进行预测 %% 划分数据集 for i = 1: num_samples - kim - zim + 1 res(i, :) = [reshape(result(i: i + kim - 1, :), 1, kim * or_dim), result(i + kim + zim - 1, :)]; end %% 数据集分析 outdim = 1; % 最后一列为输出 num_size = 0.7; % 训练集占数据集比例 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)'; P_test = res(num_train_s + 1: end, 1: f_)'; T_test = res(num_train_s + 1: end, f_ + 1: end)'; %% 数据归一化 [p_train, ps_input] = mapminmax(P_train, 0, 1); p_test = mapminmax('apply', P_test, ps_input); [t_train, ps_output]= mapminmax(T_train, 0, 1); t_test = mapminmax('apply', T_test, ps_output); %% 划分训练集和测试集 M = size(P_train, 2); N = size(P_test, 2); %% 优化算法参数设置 SearchAgents_no = 5; % 狼群数量 Max_iteration = 10; % 最大迭代次数 dim = 3; % 优化参数个数 lb = [1e-3, 10, 1e-4]; % 参数取值下界(学习率，隐藏层节点，正则化系数) ub = [1e-2, 30, 1e-1]; % 参数取值上界(学习率，隐藏层节点，正则化系数) %% 优化算法初始化 Alpha_pos = zeros(1, dim); % 初始化Alpha狼的位置 Alpha_score = inf; % 初始化Alpha狼的目标函数值,将其更改为-inf以解决最大化问题 Beta_pos = zeros(1, dim); % 初始化Beta狼的位置 Beta_score = inf; % 初始化Beta狼的目标函数值 ,将其更改为-inf以解决最大化问题 Delta_pos = zeros(1, dim); % 初始化Delta狼的位置 Delta_score = inf; % 初始化Delta狼的目标函数值,将其更改为-inf以解决最大化问题 %% 初始化搜索狼群的位置 Positions = initialization(SearchAgents_no, dim, ub, lb); %% 用于记录迭代曲线 Convergence_curve = zeros(1, Max_iteration); %% 循环计数器 iter = 0; %% 优化算法主循环 while iter < Max_iteration % 对迭代次数循环 for i = 1 : size(Positions, 1) % 遍历每个狼 % 返回超出搜索空间边界的搜索狼群 % 若搜索位置超过了搜索空间，需要重新回到搜索空间 Flag4ub = Positions(i, :) > ub; Flag4lb = Positions(i, :) < lb; % 若狼的位置在最大值和最小值之间，则位置不需要调整，若超出最大值，最回到最大值边界 % 若超出最小值，最回答最小值边界 Positions(i, :) = (Positions(i, :) .* (~(Flag4ub + Flag4lb))) + ub .* Flag4ub + lb .* Flag4lb; % 计算适应度函数值 Positions(i, 2) = round(Positions(i, 2)); fitness = fical(Positions(i, :)); % 更新 Alpha, Beta, Delta if fitness < Alpha_score % 如果目标函数值小于Alpha狼的目标函数值 Alpha_score = fitness; % 则将Alpha狼的目标函数值更新为最优目标函数值 Alpha_pos = Positions(i, :); % 同时将Alpha狼的位置更新为最优位置 end if fitness > Alpha_score && fitness < Beta_score % 如果目标函数值介于于Alpha狼和Beta狼的目标函数值之间 Beta_score = fitness; % 则将Beta狼的目标函数值更新为最优目标函数值 Beta_pos = Positions(i, :); % 同时更新Beta狼的位置 end if fitness > Alpha_score && fitness > Beta_score && fitness < Delta_score % 如果目标函数值介于于Beta狼和Delta狼的目标函数值之间 Delta_score = fitness; % 则将Delta狼的目标函数值更新为最优目标函数值 Delta_pos = Positions(i, :); % 同时更新Delta狼的位置 end end % 线性权重递减 wa = 2 - iter * ((2) / Max_iteration); % 更新搜索狼群的位置 for i = 1 : size(Positions, 1) % 遍历每个狼 for j = 1 : size(Positions, 2) % 遍历每个维度 % 包围猎物，位置更新 r1 = rand; % r1 is a random number in [0,1] r2 = rand; % r2 is a random number in [0,1] A1 = 2 * wa * r1 - wa; % 计算系数A，Equation (3.3) C1 = 2 * r2; % 计算系数C，Equation (3.4) % Alpha 位置更新 D_alpha = abs(C1 * Alpha_pos(j) - Positions(i, j)); % Equation (3.5)-part 1 X1 = Alpha_pos(j) - A1 * D_alpha; % Equation (3.6)-part 1 r1 = rand; % r1 is a random number in [0,1] r2 = rand; % r2 is a random number in [0,1] A2 = 2 * wa * r1 - wa; % 计算系数A，Equation (3.3) C2 = 2 *r2; % 计算系数C，Equation (3.4) % Beta 位置更新 D_beta = abs(C2 * Beta_pos(j) - Positions(i, j)); % Equation (3.5)-part 2 X2 = Beta_pos(j) - A2 * D_beta; % Equation (3.6)-part 2 r1 = rand; % r1 is a random number in [0,1] r2 = rand; % r2 is a random number in [0,1] A3 = 2 *wa * r1 - wa; % 计算系数A，Equation (3.3) C3 = 2 *r2; % 计算系数C，Equation (3.4) % Delta 位置更新 D_delta = abs(C3 * Delta_pos(j) - Positions(i, j)); % Equation (3.5)-part 3 X3 = Delta_pos(j) - A3 * D_delta; % Equation (3.5)-part 3 % 位置更新 Positions(i, j) = (X1 + X2 + X3) / 3; % Equation (3.7) end end % 更新迭代器 iter = iter + 1; disp(['第',num2str(iter),'次迭代']) Convergence_curve(iter) = Alpha_score; end %% 记录最佳参数 best_lr = Alpha_pos(1, 1); best_hd = Alpha_pos(1, 2); best_l2 = Alpha_pos(1, 3); %% 建立模型 % ---------------------- 修改模型结构时需对应修改fical.m中的模型结构 -------------------------- layers = [ sequenceInputLayer(f_) % 输入层 lstmLayer(best_hd) % LSTM层 reluLayer % Relu激活层 fullyConnectedLayer(outdim) % 输出回归层 regressionLayer]; %% 参数设置 % ---------------------- 修改模型参数时需对应修改fical.m中的模型参数 -------------------------- options = trainingOptions('adam', ... % Adam 梯度下降算法 'MaxEpochs', 500, ... % 最大训练次数 500 'InitialLearnRate', best_lr, ... % 初始学习率 best_lr 'LearnRateSchedule', 'piecewise', ... % 学习率下降 'LearnRateDropFactor', 0.5, ... % 学习率下降因子 0.1 'LearnRateDropPeriod', 400, ... % 经过 400 次训练后 学习率为 best_lr * 0.5 'Shuffle', 'every-epoch', ... % 每次训练打乱数据集 'ValidationPatience', Inf, ... % 关闭验证 'L2Regularization', best_l2, ... % 正则化参数 'Plots', 'training-progress', ... % 画出曲线 'Verbose', false); %% 训练模型 net = trainNetwork(p_train, t_train, layers, options); %% 仿真验证 t_sim1 = predict(net, p_train); t_sim2 = predict(net, p_test ); %% 数据反归一化 T_sim1 = mapminmax('reverse', t_sim1, ps_output); T_sim2 = mapminmax('reverse', t_sim2, ps_output); %% 均方根误差 error1 = sqrt(sum((T_sim1 - T_train).^2) ./ M); error2 = sqrt(sum((T_sim2 - T_test ).^2) ./ N); toc %% 绘图 figure plot(1 : length(Convergence_curve), Convergence_curve,'linewidth',1.5); title('GWO-LSTM', 'FontSize', 10); xlabel('迭代次数', 'FontSize', 10); ylabel('适应度值mse', 'FontSize', 10); grid off figure plot(1: