基于遗传算法优化核极限学习机实现数据预测matlab代码

2022/1/31 11:34:54

编程Tag： matlab end rand 遗传算法 pi sin 学习机 gbest

本文主要是介绍基于遗传算法优化核极限学习机实现数据预测matlab代码，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

1 简介

工业过程常含有显著的非线性,时变等复杂特性,传统的核极限学习机有时无法充分利用数据信息,所建软测量模型预测性能较差.为了提高核极限学习机的泛化能力和预测精度,提出一种遗传算法结合核极限学习机软测量建模方法.通过遗传优化极限学习机的惩罚系数和核宽,得到一组最优超参数;最后将该方法应用于脱丁烷塔过程软测量建模中.仿真结果表明,优化后的核极限学习机模型预测精度有明显的提高,验证了所提方法不仅是可行的,而且具有良好的预测精度和泛化性能.

2 部分代码

%清空运行空间
clc;
clear;
close all;

wmax=0.9;
wmin=0;%速度的上限及下限
itmax=50;%迭代代数
%速度更新参数
c1=2;
c2=2;
for iter=1:itmax
   W(iter)=wmax-((wmax-wmin)/itmax)*iter;
end;

a=-1;
b=2;
N=200;
D=2;
m=0.1;
n=3;
tcl=0.05;
f='x.*sin(4*pi.*x)-y.*sin(4*pi.*y+pi+1)';
[x,y]=meshgrid(a:tcl:b,a:tcl:b);
vxp=x;
vyp=y;
vzp=eval(f);
x=[];
vmfit=[];
x=a+(b-a)*rand(N,D,1);
V=wmin+(wmax-wmin)*rand(N,D,1);

for i=1:N
   F(i,1,1)=x(i,1,1)*sin(4*pi*x(i,1,1))-x(i,2,1)*sin(4*pi*x(i,2,1)+pi+1);
end;
media=mean(F(:,1,1));
vmfit=[vmfit media];

[C,I]=max(abs(F(:,1,1)));
B(1,1,1)=C;
gbest(1,1,1)=x(I,1,1);
gbest(1,2,1)=x(I,1,1);

for p=1:N
   for r=1:D
       G(p,r,1)=gbest(1,r,1);
   end
end
Fbest(1,1,1)=G(1,1,1)*sin(4*pi.*G(1,1,1))-G(1,2,1)*sin(4*pi.*G(1,2,1)+pi+1);
for i=1:N
   pbest(i,:,1)=x(i,:,1);
   pbest
end
Fb(1,1,1)=gbest(1,1,1)*sin(4*pi.*gbest(1,1,1))-gbest(1,2,1)*sin(4*pi.*gbest(1,2,1)+pi+1);

for j=2:itmax
   V(:,:,j)=W(j-1)*V(:,:,j-1)+c1*rand*(pbest(:,:,j-1)-x(:,:,j-1))+c2*rand*(G(:,:,j-1)-x(:,:,j-1))
   x(:,:,j)=x(:,:,j-1)+V(:,:,j);
   for xx=1:N
       for yy=1:D
           if x(xx,yy,j)<a
               x(xx,yy,j)=a;
           end;
           if x(xx,yy,j)>b
               x(xx,yy,j)=b;
           end;
       end;
   end;
   for i=1:N
       F(i,1,j)=x(i,1,j)*sin(4*pi.*x(i,1,j))-x(i,2,j)*sin(4*pi.*x(i,2,j)+pi+1);
   end;
   media=mean(F(:,1,j));
   vmfit=[vmfit media];
  [C,I]=max(abs(F(:,:,j)));
   B(1,1,j)=C;
   gbest(1,1,j)=x(I,1,j);
   gbest(1,2,j)=x(I,2,j);
   Fb(1,1,j)=gbest(1,1,j)*sin(4*pi.*gbest(1,1,j))-gbest(1,2,j)*sin(4*pi.*gbest(1,2,j)+pi+1);
  [C,I]=max(Fb(1,1,:));
   if C>Fb(1,1,j)
       gbest(1,1,j)=gbest(1,1,I);
       gbest(1,2,j)=gbest(1,2,I);
   end;
   
   for p=1:N
       for r=1:D
           G(p,r,j)=gbest(1,r,j);
       end;
   end;
   Fbest(1,1,j)=G(1,1,j)*sin(4*pi.*G(1,1,j))-G(1,2,j)*sin(4*pi.*G(1,2,j)+pi+1);
   for i=1:N
      [C,I]=max(F(i,1,:));
       if F(i,1,j)>=C
           pbest(i,:,j)=x(i,:,j);
       else
           pbest(i,:,j)=x(i,:,I);
       end;
   end;
end

gbest(1,:,itmax)
Fbest(1,1,itmax)

%Random deployment algorithm
sx=a+(b-a)*rand(N,D,1);
sy=a+(b-a)*rand(N,D,1);
sz=a+(b-a)*rand(N,D,1);
% 

%Gradient direction algorithm
figure(1);
mesh(vxp,vyp,vzp);
hold on;
plot3(x(:,1,1),x(:,2,1),F(:,1,1),'k*')
title('Gradient direction algorithm hydrophone distribution');
%Left view
%view(-90,0)
xlabel('Simulated underwater area width(kilometre)');
ylabel('Simulated underwater area length(kilometre)');
zlabel('Simulated water depth(kilometre)');
grid on;

figure(2)
mesh(vxp,vyp,vzp);
hold on;
plot3(sx,sy,sz,'k*','MarkerSize',5)
title('Random deployment algorithm hydrophone distribution');
%Left view
%view(-90,0)

xlabel('Simulated underwater area width(kilometre)');
ylabel('Simulated underwater area length(kilometre)');
zlabel('Simulated water depth(kilometre)');
grid on;

figure(3);
i_draw4=1:itmax;
Fbest1(i_draw4)=Fbest(1,1,i_draw4);
i_draw4=i_draw4';
plot(i_draw4,Fbest1);
hold on;
plot(vmfit,'r');
hold off;
title('Optimal, average function value change trend');
xlabel('Generations');
ylabel('J(\theta)');
grid on;