Python实现MFO-LSTM飞蛾扑火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 # 导入numpy模块，提供对多维数组和矩阵的支持 import numpy as np # 导入numpy模块，并给它起了一个别名np，方便后续使用 import math # 导入math模块，提供对数学运算的支持 import sys # 导入sys模块，提供对Python解释器的访问 from numpy import linalg as LA # 导入numpy模块的linalg子模块，并给它起了一个别名LA，用于线性代数运算 import math # 导入math模块，提供对数学运算的支持 import os # 导入os模块，提供对操作系统的接口 import matplotlib.pyplot as plt # 导入matplotlib.pyplot模块，用于绘图 import pandas as pd # 导入pandas模块，提供高性能、易于使用的数据结构和数据分析工具 from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score # 从sklearn.metrics模块中导入mean_squared_error、mean_absolute_error、r2_score函数，用于评估模型的性能指标 from sklearn.preprocessing import MinMaxScaler # 导入MinMaxScaler类，用于特征缩放 from tensorflow.python.keras.callbacks import EarlyStopping # 导入EarlyStopping类，用于在训练过程中实施早停策略 from tensorflow.python.keras.layers import Dense, Dropout, LSTM # 导入Dense、Dropout、LSTM类，用于构建神经网络模型的层 from tensorflow.python.keras.layers.core import Activation # 导入Activation类，用于设置激活函数 from tensorflow.python.keras.models import Sequential # 导入Sequential类，用于构建序列模型 import tensorflow as tf # 导入tensorflow模块，并给它起了一个别名tf，用于进行机器学习和深度学习任务 import time # 导入time模块，提供时间相关的功能 # 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]: #更多模型搜索机器学习之心，支持模型定制 # 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]: class solution: def __init__(self): self.best = 0 # 用于存储最佳适应度值 self.bestIndividual = [] # 用于存储最佳个体的解向量 self.convergence = [] # 用于存储迭代过程中适应度值的变化 self.optimizer = "" # 用于存储优化算法的名称 self.objfname = "" # 用于存储优化目标函数的名称 self.startTime = 0 # 用于记录算法开始执行的时间 self.endTime = 0 # 用于记录算法结束执行的时间 self.executionTime = 0 # 用于记录算法执行的时间 self.lb = 0 # 用于存储解向量中每个元素的下界 self.ub = 0 # 用于存储解向量中每个元素的上界 self.dim = 0 # 用于存储解向量的维度 self.popnum = 0 # 用于存储种群中个体的数量 self.maxiers = 0 # 用于存储最大迭代次数 # In[12]: def MFO(objf, lb, ub, dim, N, Max_iteration): if not isinstance(lb, list): lb = [lb] * dim if not isinstance(ub, list): ub = [ub] * dim print('#更多模型搜索机器学习之心，支持模型定制') Moth_pos = numpy.zeros((N, dim)) # Moth_pos存储种群位置信息，初始化为0矩阵，形状为(N, dim) for i in range(dim): Moth_pos[:, i] = numpy.random.uniform(0, 1, N) * (ub[i] - lb[i]) + lb[i] # 在lb和ub之间随机生成N个位置 Moth_fitness = numpy.full(N, float("inf")) # Moth_fitness存储每个位置的适应度值，初始化为正无穷 Convergence_curve = numpy.zeros(Max_iteration) # 用于存储收敛曲线的数组 sorted_population = numpy.copy(Moth_pos) # 将Moth_pos复制到sorted_population中 fitness_sorted = numpy.zeros(N) # 用于存储排序后的适应度值 best_flames = numpy.copy(Moth_pos) # 将Moth_pos复制到best_flames中 best_flame_fitness = numpy.zeros(N) # 用于存储最佳位置的适应度值 double_population = numpy.zeros((2 * N, dim)) # 用于存储双倍种群的数组