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）

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