tic % 计时
%% 清空环境导入数据
clear
clc
close all
format long
data=xlsread('data.xlsx','sheet1','B4:K34');
%% GWO-SVR
% 训练/测试数据准备
nwhole =size(data,1);
train_ratio=0.8;
ntrain=round(nwhole*train_ratio);
ntest =nwhole-ntrain;
train_input =data(1:ntrain,2:end)';
train_output=data(1:ntrain,1)';
test_input =data(ntrain+1:ntrain+ntest,2:end)';
test_output =data(ntrain+1:ntrain+ntest,1)';
[input_train,rule1]=mapminmax(train_input);
[output_train,rule2]=mapminmax(train_output);
input_test=mapminmax('apply',test_input,rule1);
output_test=mapminmax('apply',test_output,rule2);
%% 利用灰狼算法选择最佳的SVR参数
SearchAgents_no=20; % 狼群数量
Max_iteration=20; % 最大迭代次数
dim=2; % 此例需要优化两个参数c和g
lb=[0.01,0.01]; % 参数取值下界
ub=[100,100]; % 参数取值上界
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,change this to -inf for maximization problems
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,change this to -inf for maximization problems
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,change this to -inf for maximization problems
Positions=initialization(SearchAgents_no,dim,ub,lb);
Convergence_curve=zeros(1,Max_iteration);
l=0; % 循环计数器
while l<Max_iteration % 对迭代次数循环
for i=1:size(Positions,1) % 遍历每个狼
% 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; % ~表示取反
% 计算适应度函数值
cmd = ['-s 3 -t 2',' -c ',num2str(Positions(i,1)),' -g ',num2str(Positions(i,2))];
model=svmtrain(output_train',input_train',cmd); % SVM模型训练
[~,fitness]=svmpredict(output_test',input_test',model); % SVM模型预测及其精度
fitness=fitness(2); % 以平均均方误差MSE作为优化的目标函数值
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
a=2-l*((2)/Max_iteration); % 对每一次迭代,计算相应的a值,a decreases linearly fron 2 to 0
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*a*r1-a; % 计算系数A,Equation (3.3)
C1=2*r2; % 计算系数C,Equation (3.4)
% Alpha狼位置更新
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();
r2=rand();
A2=2*a*r1-a; % 计算系数A,Equation (3.3)
C2=2*r2; % 计算系数C,Equation (3.4)
% Beta狼位置更新
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();
r2=rand();
A3=2*a*r1-a; % 计算系数A,Equation (3.3)
C3=2*r2; % 计算系数C,Equation (3.4)
% Delta狼位置更新
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
l=l+1;
Convergence_curve(l)=Alpha_score;
end
bestc=Alpha_pos(1,1);
bestg=Alpha_pos(1,2);
bestGWOaccuarcy=Alpha_score;
%% 打印参数选择结果
disp('打印选择结果');
str=sprintf('Best Cross Validation Accuracy = %g%%,Best bestc = %g,Best bestg = %g',bestGWOaccuarcy*100,bestc,bestg);
disp(str)
%% 利用回归预测分析最佳的参数进行SVM网络训练
cmd_gwo_svr=['-s 3 -t 2',' -c ',num2str(bestc),' -g ',num2str(bestg)];
model_gwo_svr=svmtrain(output_train',input_train',cmd_gwo_svr); % SVM模型训练
%% SVM网络回归预测
[output_train_pre,acc_train]=svmpredict(output_train',input_train',model_gwo_svr); % SVM模型预测及其精度
train_pre=mapminmax('reverse',output_train_pre',rule2);
[output_test_pre,acc_test]=svmpredict(output_test',input_test',model_gwo_svr); % SVM模型预测及其精度
test_pre=mapminmax('reverse',output_test_pre',rule2);
err_pre=[train_output test_output]-[train_pre test_pre];
figure()
stem(err_pre,'fill','Color',[128 100 0]./255,'linewidth' ,1,'Markersize',6)
title('GWOSVM预测误差','fontsize',12,'FontName','宋体')
ylabel('误差','fontsize',12,'FontName','宋体')
xlabel('样本','fontsize',12,'FontName','宋体')
axis tight
figure();
plot([train_pre test_pre],'r-o','linewidth' ,1,'Markersize',6,'MarkerFaceColor',[255 0 0]./255)
hold on
plot([train_output test_output],'k-s','linewidth' ,1,'Markersize',6,'MarkerFaceColor',[0 0 0]./255)
legend('预测数据','实际数据','Location','NorthWest','FontName','宋体');
title('GWOSVM网络模型结果及真实值','fontsize',12,'FontName','宋体')
xlabel('样本','fontsize',12,'FontName','宋体');
ylabel('数值','fontsize',12,'FontName','宋体');
axis tight
result=[test_output,test_pre];
MAE=mymae(test_output,test_pre);
MSE=mymse(test_output,test_pre);
MAPE=mymape(test_output,test_pre);
%% 显示程序运行时间
toc
没有合适的资源?快使用搜索试试~ 我知道了~
温馨提示
多元回归预测 | Matlab灰狼算法(GWO)优化支持向量机的数据回归预测,GWO-SVM回归预测,多变量输入模型(Matlab完整源码和数据) 代码质量极高,方便学习和替换数据。要求2018版本及以上。
资源推荐
资源详情
资源评论
收起资源包目录
GWO-SVR.zip (8个子文件)
initialization.m 2KB
GWO_SVR.m 6KB
svmpredict.mexw64 24KB
mymape.m 85B
mymae.m 70B
data.xlsx 12KB
svmtrain.mexw64 61KB
mymse.m 74B
共 8 条
- 1
资源评论
前程算法屋
- 粉丝: 4159
- 资源: 711
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功