Python实现BWO-LSTM白鲸算法优化长短期记忆神经网络时间序列预测（完整源码和数据)

#!/usr/bin/env python # coding: utf-8 # In[1]: import random # 导入random模块用于生成随机数 import numpy as np # 导入NumPy库用于数值操作 from copy import deepcopy # 导入copy模块的deepcopy函数，用于创建对象的深层副本 import math # 导入math模块用于数学运算 import os # 导入os模块用于与操作系统交互 import matplotlib.pyplot as plt # 导入matplotlib的pyplot模块，用于绘图 import pandas as pd # 导入pandas库用于数据操作和分析 from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score # 从sklearn导入各种评估指标 from sklearn.preprocessing import MinMaxScaler # 从sklearn导入MinMaxScaler用于特征缩放 from tensorflow.python.keras.callbacks import EarlyStopping # 从Keras导入EarlyStopping回调函数，用于在模型训练过程中提前停止 from tensorflow.python.keras.layers import Dense, Dropout, LSTM # 导入Keras的Dense、Dropout和LSTM层 from tensorflow.python.keras.layers.core import Activation # 导入Keras的Activation函数 from tensorflow.python.keras.models import Sequential # 导入Keras的Sequential模型 import tensorflow as tf # 导入tensorflow模块 #更多模型搜索机器学习之心，支持模型定制 # In[2]: plt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签 plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号 # In[3]: # 调用GPU加速 gpus = tf.config.experimental.list_physical_devices(device_type='GPU') for gpu in gpus: tf.config.experimental.set_memory_growth(gpu, True) # In[4]: ''' 定义一个函数用于创建数据集，输入参数包括: dataset: 数据集 look_back: 回溯长度，即用多少个时间步作为输入预测下一个时间步 ''' def creat_dataset(dataset, look_back): dataX, dataY = [], [] for i in range(len(dataset) - look_back - 1):# 循环遍历数据集 a = dataset[i: (i + look_back)]# 提取回溯长度的数据作为输入 dataX.append(a)# 将该输入数据添加到输入数据集 dataY.append(dataset[i + look_back])# 将下一个时间步的数据添加到输出数据集 return np.array(dataX), np.array(dataY)# 将输入输出数据集转换为numpy数组并返回 # In[5]: dataframe = pd.read_csv('焦作.csv',header=0, parse_dates=[0],index_col=0, usecols=[0, 1])# 读取CSV文件，并设置第一列为日期，作为索引 dataset = dataframe.values# 获取数据集的值 dataframe.head(10)# 查看前10行数据 # In[6]: scaler = MinMaxScaler(feature_range=(0, 1))# 使用 MinMaxScaler 进行数据归一化 dataset = scaler.fit_transform(dataset.reshape(-1, 1))# 将数据变为二维数组并进行归一化 # In[7]: train_size = int(len(dataset) * 0.8) # 计算训练集大小，将数据集长度的 80% 转换为整数 test_size = len(dataset) - train_size # 计算测试集大小，将剩余的数据作为测试集 train, test = dataset[0: train_size], dataset[train_size: len(dataset)] # 将数据集划分为训练集和测试集，使用切片操作实现 # In[8]: look_back = 10# 定义时序窗口大小 trainX, trainY = creat_dataset(train, look_back)# 生成训练集 testX, testY = creat_dataset(test, look_back)# 生成测试集 # In[9]: def build_model(neurons1, neurons2, dropout):#定义一个函数，用于构建 LSTM 模型 # 将训练集和测试集的输入和输出数据分别赋值给 X_train、y_train、X_test 和 y_test X_train, y_train = trainX, trainY X_test, y_test = testX, testY model = Sequential()# 创建 Sequential 模型 model.add(LSTM(units=neurons1, return_sequences=True, input_shape=(look_back, 1)))# 添加第一个 LSTM 层，指定神经元个数和输入数据形状 model.add(LSTM(units=neurons2, return_sequences=False))# 添加第二个 LSTM 层，指定神经元个数 model.add(Dropout(dropout))# 添加 Dropout 层，指定失活率 model.add(Dense(units=1))# 添加全连接层，输出维度为 1 model.add(Activation('relu'))# 添加激活函数层，使用 ReLU 函数 model.compile(loss='mean_absolute_error', optimizer='Adam')# 编译模型，指定损失函数和优化器 return model, X_train, y_train, X_test, y_test# 返回构建好的模型以及训练集和测试集的输入和输出数据 # In[10]: def training(X): neurons1 = int(X[0]) # 从 X 中获取超参数 neurons1，并将其转换为整数 neurons2 = int(X[1]) # 从 X 中获取超参数 neurons2，并将其转换为整数 dropout = round(X[2], 6) # 从 X 中获取超参数 dropout，并将其保留 6 位小数 batch_size = int(X[3]) # 从 X 中获取超参数 batch_size，并将其转换为整数 print([neurons1, neurons2, dropout, batch_size]) # 打印超参数列表 model, X_train, y_train, X_test, y_test = build_model(neurons1, neurons2, dropout) # 构建模型并获取训练集、测试集 model.fit( X_train, y_train, batch_size=batch_size, epochs=100, validation_split=0.1, verbose=0, callbacks=[EarlyStopping(monitor='val_loss', patience=10, restore_best_weights=True)]) # 训练模型 pred = model.predict(X_test) # 在测试集上进行预测 temp_mse = mean_squared_error(y_test, pred) # 计算预测结果与真实值之间的均方误差 print(temp_mse) # 打印均方误差 return temp_mse # 返回均方误差作为适应度函数的结果 # In[11]: #白鲸优化 def BWO(n, tmax, lb, ub, nd, fobj): # BWO函数接受一些参数来执行Bat算法 # n: 种群大小 # tmax: 最大迭代次数 # lb: 位置的下界 # ub: 位置的上界 # nd: 位置的维度 # fobj: 适应值函数 # 记录每轮更新最优解 best_fval = [] # 用于存储每轮迭代的最优解值 # 位置矩阵 x = lb + np.random.random((n, nd)) * (ub - lb) # 创建一个n行nd列的矩阵x，每个元素的取值范围在lb和ub之间 # 适应值矩阵 fobj_list = [fobj(x[i, ...]) for i in range(n)] # 计算每个位置的适应值 fx = np.array(fobj_list) # 将适应值转换为NumPy数组 # 适应值拷贝矩阵 temp_fx = deepcopy(fx) # 创建适应值的副本，用于后续比较 # 最优解和最优解值 xposbest = x[np.argmin(fx)] # 找到适应值最小的位置，将其作为最优解位置 fvalbest = min(fx) # 找到适应值的最小值，将其作为最优解值 best_fval.append(fvalbest) # 将最优解值添加到列表中，用于记录每轮迭代的最优解值 print('更多模型搜索机器学习之心，支持模型定制') # 循环更新 for t in range(1, tmax + 1): # 位置拷贝矩阵 temp_x = deepcopy(x) # 创建一个临时的位置矩阵，用于存储更新后的位置 # 鲸落概率 wf = 0.1 - 0.05 * (t / tmax) # 根据当前迭代次数计算鲸落概率wf，概率随迭代次数递减 # 计算每只白鲸的平衡因子bf b0 = np.random.random(n) # 生成一个长度为n的随机数数组，取值范围在0和1之间 for b0_index in range(len(b0)): while b0[b0_index] == 0: b0[b0_index] = np.random.random() # 将平衡因子中的0替换为一个新的随机数，确保平衡因子不为0 bf = b0 * (1 - t / (2 * tmax)) # 根据当前迭代次数计算每只白鲸的平衡因子bf，随着迭代次数增加，平衡因子逐渐减小 # 更新每一只白鲸位置 for i in range(n): # 探索阶段 if bf[i] > 0.5: # 如果当前位置的bf大于0.5 r1 = np.random.random() # 生成一个随机的浮点数r1 r2 = np.random.random() # 生成一个随机的浮点数r2 while r1 == 0: # 如果r1等于0 r1 = np.random.random() # 重新生成一