【LSTM回归预测】灰狼算法优化LSTM回归预测【含Matlab源码 2038期】.zip

clear close all %% 数据读取 geshu=200;%训练集的个数 %读取数据 shuru=xlsread('数据的输入.xlsx'); shuchu=xlsread('数据的输出.xlsx'); nn = randperm(size(shuru,1));%随机排序 % nn=1:size(shuru,1);%正常排序 input_train =shuru(nn(1:geshu),:); input_train=input_train'; output_train=shuchu(nn(1:geshu),:); output_train=output_train'; input_test =shuru(nn((geshu+1):end),:); input_test=input_test'; output_test=shuchu(nn((geshu+1):end),:); output_test=output_test'; %样本输入输出数据归一化 [aa,bb]=mapminmax([input_train input_test]); [cc,dd]=mapminmax([output_train output_test]); global inputn outputn shuru_num shuchu_num [inputn,inputps]=mapminmax('apply',input_train,bb); [outputn,outputps]=mapminmax('apply',output_train,dd); shuru_num = size(input_train,1); % 输入维度 shuchu_num = 1; % 输出维度 %% 利用灰狼算法选择最佳的BP参数 SearchAgents_no=6; % 狼群数量 Max_iteration=30; % 最大迭代次数 %优化维度 numsum=2; dim=numsum; ub=[200 0.15];%上限 lb=[10 0.01]; %下限 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， 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， 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， 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 x= Positions(i,:); % 计算适应度函数值 fitness=fun(x); 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 %% 参数选择结果赋值 x=Alpha_pos; zhongjian1_num = round(x(1)); xue = x(2); %% 模型建立与训练 layers = [ ... sequenceInputLayer(shuru_num) % 输入层 lstmLayer(zhongjian1_num) % LSTM层 fullyConnectedLayer(shuchu_num) % 全连接层 regressionLayer]; options = trainingOptions('adam', ... % 梯度下降 'MaxEpochs',50, ... % 最大迭代次数 'GradientThreshold',1, ... % 梯度阈值 'InitialLearnRate',xue,... 'Verbose',0, ... 'Plots','training-progress'); % 学习率 %% 训练LSTM net = trainNetwork(inputn,outputn,layers,options); %% 预测 net = resetState(net);% 网络的更新状态可能对分类产生了负面影响。重置网络状态并再次预测序列。 [~,Ytrain]= predictAndUpdateState(net,inputn); test_simu=mapminmax('reverse',Ytrain,dd);%反归一化 rmse = sqrt(mean((test_simu-output_train).^2)); % 训练集 %测试集样本输入输出数据归一化 inputn_test=mapminmax('apply',input_test,bb); [net,an]= predictAndUpdateState(net,inputn_test); test_simu1=mapminmax('reverse',an,dd);%反归一化 error1=test_simu1-output_test;%测试集预测-真实 %计算均方根误差 (RMSE)。 rmse1 = sqrt(mean((test_simu1-output_test).^2)); % 测试集 %% 画图 %将预测值与测试数据进行比较。 figure plot(output_train) hold on plot(test_simu,'.-') hold off legend(["真实值" "预测值"]) xlabel("样本") title("训练集") figure plot(output_test) hold on plot(test_simu1,'.-') hold off legend(["真实值" "预测值"]) xlabel("样本") title("测试集") % 真实数据，行数代表特征数，列数代表样本数output_test = output_test; T_sim_optimized = test_simu1; % 仿真数据 num=size(output_test,2);%统计样本总数 error=T_sim_optimized-output_test; %计算误差 mae=sum(abs(error))/num; %计算平均绝对误差 me=sum((error))/num; %计算平均绝对误差 mse=sum(error.*error)/num; %计算均方误差 rmse=sqrt(mse); %计算均方误差根 % R2=r*r; tn_sim = T_sim_optimized'; tn_test =output_test'; N = size(tn_test,1); R2=(N*sum(tn_sim.*tn_test)-sum(tn_sim)*sum(tn_test))^2/((N*sum((tn_sim).^2)-(sum(tn_sim))^2)*(N*sum((tn_test).^2)-(sum(tn_test))^2)); disp(' ') disp('----------------------------------------------------------') disp(['平均绝对误差mae为： ',num2str(mae)]) disp(['平均误差me为： ',num2str(me)]) disp(['均方误差根rmse为： ',num2str(rmse)]) disp(['相关系数R2为： ' ,num2str(R2)])