多输入多输出 | Matlab实现GWO-BP灰狼算法优化BP神经网络多输入多输出预测

预测效果

基本介绍

多输入多输出 | Matlab实现GWO-BP灰狼算法优化BP神经网络多输入多输出预测
1.data为数据集，10个输入特征，3个输出变量。
2.main.m为主程序文件。
3.命令窗口输出MBE、MAE和R2，可在下载区获取数据和程序内容。

程序设计

• 完整程序和数据下载方式：私信博主回复Matlab实现GWO-BP灰狼算法优化BP神经网络多输入多输出预测。

function [Alpha_score,Alpha_pos,Convergence_curve]=GWO(SearchAgents_no,Max_iteration,lb,ub,dim,fobj)%%  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% 线性权重递减wa = 2 - iter * ((2) / Max_iteration);    % 更新搜索狼群的位置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 * wa * r1 - wa;   % 计算系数A，Equation (3.3)C1 = 2 * r2;             % 计算系数C，Equation (3.4)% Alpha 位置更新D_alpha = abs(C1 * Alpha_pos(j) - Positions(i, j));   % Equation (3.5)-part 1X1 = Alpha_pos(j) - A1 * D_alpha;                     % Equation (3.6)-part 1r1 = rand; % r1 is a random number in [0,1]r2 = rand; % r2 is a random number in [0,1]A2 = 2 * wa * r1 - wa;   % 计算系数A，Equation (3.3)C2 = 2 *r2;              % 计算系数C，Equation (3.4)% Beta 位置更新D_beta = abs(C2 * Beta_pos(j) - Positions(i, j));    % Equation (3.5)-part 2X2 = Beta_pos(j) - A2 * D_beta;                      % Equation (3.6)-part 2       r1 = rand;  % r1 is a random number in [0,1]r2 = rand;  % r2 is a random number in [0,1]A3 = 2 *wa * r1 - wa;     % 计算系数A，Equation (3.3)C3 = 2 *r2;               % 计算系数C，Equation (3.4)% Delta 位置更新D_delta = abs(C3 * Delta_pos(j) - Positions(i, j));   % Equation (3.5)-part 3X3 = 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)endend% 更新迭代器iter = iter + 1;    Convergence_curve(iter) = Alpha_score;disp(['第',num2str(iter),'次迭代'])disp(['current iteration is: ',num2str(iter), ', best fitness is: ', num2str(Alpha_score)]);
end%%  记录最佳参数
% best_lr = Alpha_pos(1, 1);
% best_hd = Alpha_pos(1, 2);
% best_l2 = Alpha_pos(1, 3);
end

往期精彩

MATLAB实现RBF径向基神经网络多输入多输出预测
MATLAB实现BP神经网络多输入多输出预测
MATLAB实现DNN神经网络多输入多输出预测

参考资料

[1] https://blog.csdn.net/kjm13182345320/article/details/116377961
[2] https://blog.csdn.net/kjm13182345320/article/details/127931217
[3] https://blog.csdn.net/kjm13182345320/article/details/127894261