黑悟空！一区预定！原创首发！SLWCHOA-Transformer-LSTM混合改进策略的黑猩猩优化算法多变量时间序列预测

news2024/9/20 10:45:45

黑悟空！一区预定！原创首发！SLWCHOA-Transformer-LSTM混合改进策略的黑猩猩优化算法多变量时间序列预测

目录

    • 黑悟空！一区预定！原创首发！SLWCHOA-Transformer-LSTM混合改进策略的黑猩猩优化算法多变量时间序列预测
      • 效果一览
      • 基本介绍
      • 参考文献
      • 程序设计
      • 参考资料

效果一览

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

基本介绍

1.黑悟空！原创首发！SLWCHOA-Transformer-LSTM混合改进策略的黑猩猩优化算法多变量时间序列预测（程序可以作为SCI一区级论文代码支撑，目前尚未发表）；

2.优化参数为：学习率，隐含层节点，正则化参数，运行环境为Matlab2023b及以上；

3.data为数据集，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，main.m为主程序，运行即可,所有文件放在一个文件夹；

4.命令窗口输出R2、MSE、RMSE、MAE、MAPE、MBE等多指标评价；

混合策略改进的黑猩猩优化算法SLWCHOA可直接运行main出图提供23个基准函数对此与秩和检（Matlab完整源码）改进点如下:①利用Sobol序列初始化种群，增加种群的随机性和多样性,为算法全局寻优奠定基础;②其次，引入基于凸透镜成像的反向学习策略,将其应用到当前最优个体上产生新的个体,提高算法的收敛精度和速度;③最后，将水波动态自适应因子添加到攻击者位置更新处,增强算法跳出局部最优的能力。智能算法改进提供与原始CHOA、鲸鱼算法WOA、麻雀搜索算法SSA、灰狼算法GWO等算法的对比。

在这里插入图片描述

参考文献

在这里插入图片描述

程序设计

  • 完整程序和数据获取方式私信博主回复SLWCHOA-Transformer-LSTM混合改进策略的黑猩猩优化算法多变量时间序列预测（Matlab）。


%%  清空环境变量
warning off             % 关闭报警信息
close all               % 关闭开启的图窗
clear                   % 清空变量
clc                     % 清空命令行

%%  导入数据
result = xlsread('data.xlsx');

%%  数据分析
num_samples = length(result);  % 样本个数
or_dim = size(result, 2);      % 原始特征+输出数目
kim =  2;                      % 延时步长（kim个历史数据作为自变量）
zim =  1;                      % 跨zim个时间点进行预测



%%  数据集分析
outdim = 1;                                  % 最后一列为输出
num_size = 0.7;                              % 训练集占数据集比例
num_train_s = round(num_size * num_samples); % 训练集样本个数
f_ = size(res, 2) - outdim;                  % 输入特征维度


%%  划分训练集和测试集
P_train = res(1: num_train_s, 1: f_)';
T_train = res(1: num_train_s, f_ + 1: end)';
M = size(P_train, 2);

P_test = res(num_train_s + 1: end, 1: f_)';
T_test = res(num_train_s + 1: end, f_ + 1: end)';
N = size(P_test, 2);

%%  数据归一化
[P_train, ps_input] = mapminmax(P_train, 0, 1);
P_test = mapminmax('apply', P_test, ps_input);

[t_train, ps_output] = mapminmax(T_train, 0, 1);
t_test = mapminmax('apply', T_test, ps_output);

%%  数据平铺
P_train =  double(reshape(P_train, f_, 1, 1, M));
P_test  =  double(reshape(P_test , f_, 1, 1, N));

t_train = t_train';
t_test  = t_test' ;

%%  数据格式转换
for i = 1 : M
    p_train{i, 1} = P_train(:, :, 1, i);
end

for i = 1 : N
    p_test{i, 1}  = P_test( :, :, 1, i);
end

%% 清除环境变量
clear 
clc
close all

%% 参数设置
N = 30;             % 种群规模
Function_name = 'F4';       % 从F1到F23的测试函数的名称（本文中的表1、2、3）
Max_iteration = 500;         % 最大迭代次数
% 加载所选基准函数的详细信息
[lb, ub, dim, fobj] = Get_Functions_details(Function_name);
% 初始化种群位置
X = initialization(N, dim, ub, lb);

cnt_max =5;
for cnt = 1:cnt_max
[WOA_Best_score(cnt), WOA_Best_pos, WOA_Curve] = WOA(X, N, Max_iteration, lb, ub, dim, fobj);
[GWO_Best_score(cnt), GWO_Best_pos, GWO_Curve] = GWO(X, N, Max_iteration, lb, ub, dim, fobj);
[PSO_Best_score(cnt), PSO_Best_pos, PSO_Curve] = PSO(X, N, Max_iteration, lb, ub, dim, fobj);
[CHOA_Best_score(cnt), CHOA_Best_pos, CHOA_Curve] = CHOA(X, N, Max_iteration, lb, ub, dim, fobj);
[SSA_Best_score(cnt), SSA_Best_pos, SSA_Curve] = SSA(X, N, Max_iteration, lb, ub, dim, fobj);
[MPA_Best_score(cnt), MPA_Best_pos, MPA_Curve] = MPA(X, N, Max_iteration, lb, ub, dim, fobj);
[SLWChoA_Best_score(cnt), SLWChoA_Best_pos, SLWChoA_Curve] = SLWChoA(X, N, Max_iteration, lb, ub, dim, fobj);
end
%% 画图

% 画图迭代曲线图
figure
semilogy(SLWChoA_Curve,'r-','linewidth',1.5);
hold on
semilogy(SSA_Curve,'b--','linewidth',1.5);
hold on
semilogy(GWO_Curve,'y--','linewidth',1.5);
hold on
semilogy(PSO_Curve,'b-','linewidth',1.5);
hold on
semilogy(WOA_Curve,'k-','linewidth',1.5);
hold on
semilogy(CHOA_Curve,'m-','linewidth',1.5);
hold on
semilogy(MPA_Curve,'r-','linewidth',1.5);
hold on
title('Objective space')
xlabel('Iteration');
ylabel('Best score obtained so far');
set(gca,'fontname','Times New Roman')

axis tight
grid on
box on
legend('SLWChoA','SSA','GWO','PSO','WOA','CHOA','MPA')

% 画出所选基准函数的三维立体图形
figure;
func_plot(Function_name);
title(Function_name)
xlabel('x_1');
ylabel('x_2');
zlabel([Function_name,'( x_1 , x_2 )'])
set(gca,'fontname','Times New Roman')

% 2、画出目标函数值变化曲线图
figure;
t = 1:Max_iteration;
semilogy(t, SLWChoA_Curve, 'ro-',t, SSA_Curve, 'ko-', t, GWO_Curve, 'cs-', ...
    t, PSO_Curve, 'k*-', t, WOA_Curve, 'gh-', t, CHOA_Curve, 'b^-', t, MPA_Curve, 'r*-',  ...
    'linewidth', 1.5, 'MarkerSize', 8, 'MarkerIndices', 1:50:Max_iteration);
title(Function_name)
xlabel('迭代次数');
ylabel('适应度值');
axis fill
grid on
box on
legend('SLWChoA','SSA','GWO','PSO','WOA','CHOA','MPA');

参考资料

[1] https://blog.csdn.net/kjm13182345320/article/details/127931217
[2] https://blog.csdn.net/kjm13182345320/article/details/127418340

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/2077135.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

帮助检测SQL注入漏洞的工具

帮助检测SQL注入漏洞的工具

目录 SQLMap与Burp Suite相比，哪个更适合进行大规模的SQL注入检测？ OWASP ZAP在检测SQL注入时的优势体现在哪些方面？ 对于SQL注入漏洞检测，Havij和acunetix有什么区别？ 在检测SQL注入漏洞方面，有几款工具…
阅读更多...
shell脚本-采集容器内自定义端口tcp连接数并通过http接口推送到Prometheus

shell脚本-采集容器内自定义端口tcp连接数并通过http接口推送到Prometheus

目录 1、脚本编写 2、脚本说明 3、运行脚本 1、脚本编写 脚本监控服务器 5000 端口的 TCP 连接数。使用 netstat 工具获取连接数，并通过一个简单的 shell 服务器提供 /connect 接口。具体功能如下： vim prometheus_tcp_monitor.sh 编写脚本&#…
阅读更多...
Docker 安装消息队列RabbitMQ

Docker 安装消息队列RabbitMQ

拉取镜像 docker pull rabbitmq拉取最新镜像 创建并运行 docker run -d --hostname my-rabbit --name rabbit-p 15672:15672 -p 5673:5672rabbitmq开启Web管理 进入容器 docker exec -it rabbitmq /bin/bash开启web管理 rabbitmq-plugins enable rabbitmq_managementhttp:…
阅读更多...
一文通透DeepSeek-V2(改造Transformer的中文模型)：从DeepSeek LLM到DeepSeek-V2的MLA与MoE

一文通透DeepSeek-V2(改造Transformer的中文模型)：从DeepSeek LLM到DeepSeek-V2的MLA与MoE

前言 成就本文有以下三个因素 24年5.17日，我在我司一课程「大模型与多模态论文100篇」里问道：大家希望我们还讲哪些论文 一学员朋友小栗说：幻方发布的deepseek-v224年5.24日，我司一课程「大模型项目开发线上营1」里的一学员朋友…
阅读更多...
Typora + PicGo + SMMS 实现markdown格式文档图片上传

Typora + PicGo + SMMS 实现markdown格式文档图片上传

Typora PicGo SMMS 实现图片自动上传 1. Typora 软件安装2. PicGo 的安装2.1 下载 PicGo 3. 配置 SMMS 图床服务3.1 注册并登录 SMMS3.2 获取 API Token 4. 软件配置4.1 Typora 图床设置4.2 PicGo 配置 5. 使用 Typora 实现图片自动上传 1. Typora 软件安装 Typora中文版是一…
阅读更多...
排序1

排序1

一、概述 直接插入排序 是稳定排序 二、插入排序 1）直接插入排序 2）折半插入排序 3)希尔排序 、 三、交换排序 1）冒泡排序 2）快速排序
阅读更多...
three.js 着色器学习 聚集地

three.js 着色器学习 聚集地

预览地址：https://z2586300277.github.io/three-cesium-examples 国内站点预览：http://threehub.cn github: https://github.com/z2586300277/three-cesium-examples
阅读更多...
swift微调Qwen-7B大模型

swift微调Qwen-7B大模型

环境说明： CUDA相关环境已搭建完成，不会装CUDA环境可参照我的其它文章； 显卡：4张3090 1、安装swift环境 #从源码安装 git clone https://github.com/modelscope/swift.git cd swift pip install -e .[llm] pip install -e .[e…
阅读更多...
文件读写与缓存机制

文件读写与缓存机制

文件读写与缓存机制 写文件： 1：stdio函数库 fopen/fwrite/fflush/fclose File* fp2: POSIX系统级别函数 open/write/close fd3：Windows系统级别函数 CreateFile/WriteFile/CloseHandle**同步数据到磁盘：**FlushFileBuffers、f…
阅读更多...
永磁同步电机高性能控制算法（13）后续篇—— 基于高阶扩张状态观测器（ESO）的无模型预测控制（MFPC）

永磁同步电机高性能控制算法（13）后续篇—— 基于高阶扩张状态观测器（ESO）的无模型预测控制（MFPC）

1.前言 前文已经介绍过了高阶ESO相对于传统ESO的优势。 https://zhuanlan.zhihu.com/p/703039702https://zhuanlan.zhihu.com/p/703039702 但是当时搭的ESO有点问题。把公式修正之后，发现前文用的改进四阶ESO无法使用。 今天来解释一下为什么改进4阶ESO无法使用…
阅读更多...
SystemTap（stap）架构和原理介绍，以及脚本编写举例

SystemTap（stap）架构和原理介绍，以及脚本编写举例

1 SystemTap简介 SystemTap是一个诊断Linux系统性能或功能问题的开源工具。它允许开发人员和系统管理员深入研究内核甚至用户空间应用程序的行为，以便发现错误状态、性能问题，或者仅仅为了解系统是如何工作的。它使得对运行时的Linux系统进行诊断调式变…
阅读更多...
递归算法及应用

递归算法及应用

一.简介 1.介绍 递归（Recursion）在计算机科学中是指一种通过重复将问题分解为同类的子问题而解决问题的方法，其核心思想是分治策略。 在日常开发中，我们使用循环语句远远大于递归，但这不能说明递归就没有用武之地&am…
阅读更多...
服务器（百度云）部署项目（jar包）

服务器（百度云）部署项目（jar包）

java项目打包成jar包：clean------compile------install jar包上传到服务器上 和jar包相同的文件里，创建Dockerfile文件。 Dockerfile文件的内容informationerasure是jar包名，这里可根据自己定义的名字进行更换。 Dockerfile文件内容&#x…
阅读更多...
chrome打印dom节点不显示节点信息

chrome打印dom节点不显示节点信息

正常直接console dom节点 代码改成 var parser new DOMParser(); var docDom parser.parseFromString(testHtml, text/html); console.log(docDom) let htmlHeader ref< HTMLElement | null>(null) let htmlBoby ref< HTMLElement | null>(null) htmlHeader.v…
阅读更多...
Datawhale AI 夏令营 第五期 CV Task1

Datawhale AI 夏令营 第五期 CV Task1

活动简介 活动链接&#xff1a;Datawhale AI 夏令营&#xff08;第五期&#xff09; 以及CV里面的本次任务说明&#xff1a;Task 1 从零上手CV竞赛 链接里的教程非常详细&#xff0c;很适合小白上手&#xff0c;从报名赛事到使用服务器平台再到跑模型&#xff0c;手把手教&…
阅读更多...
【Go语言基础】调度器模型GPM与垃圾回收器GC

【Go语言基础】调度器模型GPM与垃圾回收器GC

系列综述&#xff1a; &#x1f49e;目的&#xff1a;本系列是个人整理为了Go语言学习的&#xff0c;整理期间苛求每个知识点&#xff0c;平衡理解简易度与深入程度。 &#x1f970;来源&#xff1a;材料主要源于Go语言趣学指南进行的&#xff0c;每个知识点的修正和深入主要参…
阅读更多...
ubuntu系统在线安装下载firefox-esr流览器

ubuntu系统在线安装下载firefox-esr流览器

1、在线firefox流览器 Firefox ESR(Extended Support Release)是火狐浏览器的长期支持版本&#xff0c;针对同一个主版本提供一年左右的安全性与稳定性支持。如果您因为火狐浏览器改版而导致有原本能用的功能变得不能使用的话(例如Firefox 64.0把RSS订阅的功能拿掉了)&#xf…
阅读更多...
IO进程day02（文件IO）

IO进程day02（文件IO）

目录 【1】什么是文件IO 1》概念 2》特点 3》操作 【2】函数接口 1》打开文件open() 思考&#xff1a;文件IO和标准IO的打开方式的对应关系 2》关闭文件 close() 3》读写文件 read write 1> 读文件 read() 2> 写文件 write() 练习&#xff1a;文件IO实现cp…
阅读更多...
使用AWS的EC2服务如何降低成本

使用AWS的EC2服务如何降低成本

在现代企业中&#xff0c;云计算已经成为推动业务创新和发展的重要工具。亚马逊云服务&#xff08;AWS&#xff09;的弹性计算云&#xff08;EC2&#xff09;提供了灵活的计算能力&#xff0c;企业可以根据需求快速部署和管理应用。然而&#xff0c;如何在使用EC2服务的过程中有…
阅读更多...
无人机之多旋翼无人机的用途

无人机之多旋翼无人机的用途

一、航拍与摄影 高清摄像&#xff1a;多旋翼无人机搭载高清摄像头&#xff0c;可以进行高空拍摄&#xff0c;获取清晰的图像和视频资料&#xff0c;广泛应用于影视制作和新闻报道。 实时传输&#xff1a;无人机可通过图像传输设备&#xff0c;实现实时画面回传&#xff0c;为…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023