多维时序 | MATLAB实现GWO-BP多变量时间序列预测(灰狼算法优化BP神经网络)

多维时序 | MATLAB实现GWO-BP多变量时间序列预测(灰狼算法优化BP神经网络)

效果一览

基本介绍

1.MATLAB实现GWO-BP多变量时间序列预测(灰狼算法优化BP神经网络)；
2.运行环境为Matlab2018b；
3.输入多个特征，输出单个变量，考虑历史特征的影响，多变量时间序列预测；
4.data为数据集，GWO_BPNTS.m为主程序，运行即可,所有文件放在一个文件夹；
5.命令窗口输出R2、MSE、MAE、MAPE和MBE多指标评价；

程序设计

• 完整程序和数据下载：私信博主回复MATLAB实现GWO-BP多变量时间序列预测(灰狼算法优化BP神经网络)。

%%  优化算法初始化
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,将其更改为-inf以解决最大化问题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 ,将其更改为-inf以解决最大化问题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,将其更改为-inf以解决最大化问题%%  初始化搜索狼群的位置
Positions = initialization(SearchAgents_no, dim, ub, lb);%%  用于记录迭代曲线
Convergence_curve = zeros(1, Max_iteration);
%%  循环计数器
iter = 0;%%  优化算法主循环
while iter < Max_iteration           % 对迭代次数循环for i = 1 : size(Positions, 1)   % 遍历每个狼% 返回超出搜索空间边界的搜索狼群% 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;   % 计算适应度函数值
%         Positions(i, 2) = round(Positions(i, 2));
%         fitness = fical(Positions(i, :));fitness = fobj(Positions(i, :));% 更新 Alpha, Beta, Deltaif 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endif 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endif 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endend

参考资料

[1] https://blog.csdn.net/kjm13182345320/article/details/128163536?spm=1001.2014.3001.5502
[2] https://blog.csdn.net/kjm13182345320/article/details/128151206?spm=1001.2014.3001.5502