时序预测 | MATLAB实现SSA-CNN-GRU麻雀算法优化卷积门控循环单元时间序列预测
预测效果
基本介绍
MATLAB实现SSA-CNN-GRU麻雀算法优化卷积门控循环单元时间序列预测,运行环境Matlab2020b及以上。优化正则化率、学习率、隐藏层单元数。
模型描述
智能优化算法是受到大自然生物的启发,模拟自然界中的一些事物或生物的行为规律,在解空间内进行全局寻优。近几年新的群智能算法不断涌现,专家学者们通过模拟各种生物,提出了一系列群智能优化算法。这其中薛建凯等于2020年提出的麻雀搜索优化算法(SSA)是一种较新颖的智能优化算法。将麻雀搜索算法与2010年以来提出的蝙蝠、灰狼、蜻蜓、鲸鱼、蝗虫优化算法进行对比,通过单模态和多模态的测试函数检验这几种优化算法的收敛速度,结果证明麻雀搜索算法处理单模态测试函数时,性能表现优越,其最优解和平均解都比其余五种算法要高,且后期收敛速度加快,在处理多模态测试函数时,其收敛速度也远高于其他算法,所以麻雀搜索算法相比其他算法更具有高性能的全局搜索能力。实验结果综合对比来看,2020年提出的麻雀搜索算法各方面的性能都远超其他五种优化算法,较近几年提出的群智能算法而言是一种性能比较优越的算法,其收敛速度,鲁棒性,稳定性都较高。
程序设计
- 完整源码和数据私信博主获取或同等价值程序兑换获取。
%% SSA优化参数设置
SearchAgents = 5; % 种群数量
Max_iterations = 20 ; % 迭代次数
% 正则化参数、初始学习率、隐藏层单元数
lowerbound = [1e-3 0.001 10 ];%三个参数的下限
upperbound = [1e-1 0.01 100 ];%三个参数的上限
dimension = 3;%数量,即要优化的GRU参数个数
%% SSA优化GRU
%% 参数设置
ST = 0.8; % 预警值
PD = 0.2; % 发现者的比列,剩下的是加入者
PDNumber = SearchAgents * PD; % 发现者数量
SDNumber = SearchAgents - SearchAgents * PD; % 意识到有危险麻雀数量
%% 判断优化参数个数
if(max(size(upperbound)) == 1)
upperbound = upperbound .* ones(1, dimension);
lowerbound = lowerbound .* ones(1, dimension);
end
%% 种群初始化
pop_lsat = initialization(SearchAgents, dimension, upperbound, lowerbound);
pop_new = pop_lsat;
%% 计算初始适应度值
fitness = zeros(1, SearchAgents);
for i = 1 : SearchAgents
fitness(i) = fun(pop_new(i,:),Train_xNorm,Train_yNorm,Test_xNorm,Test_y,yopt,k);
end
%% 得到全局最优适应度值
[fitness, index]= sort(fitness);
GBestF = fitness(1);
%% 得到全局最优种群
for i = 1 : SearchAgents
pop_new(i, :) = pop_lsat(index(i), :);
end
GBestX = pop_new(1, :);
X_new = pop_new;
%% 优化算法
for i = 1: Max_iterations
BestF = fitness(1);
R2 = rand(1);
for j = 1 : PDNumber
if(R2 < ST)
X_new(j, :) = pop_new(j, :) .* exp(-j / (rand(1) * Max_iterations));
else
X_new(j, :) = pop_new(j, :) + randn() * ones(1, dimension);
end
end
for j = PDNumber + 1 : SearchAgents
if(j > (SearchAgents - PDNumber) / 2 + PDNumber)
X_new(j, :) = randn() .* exp((pop_new(end, :) - pop_new(j, :)) / j^2);
else
A = ones(1, dimension);
for a = 1 : dimension
if(rand() > 0.5)
A(a) = -1;
end
end
AA = A' / (A * A');
X_new(j, :) = pop_new(1, :) + abs(pop_new(j, :) - pop_new(1, :)) .* AA';
end
end
Temp = randperm(SearchAgents);
SDchooseIndex = Temp(1 : SDNumber);
for j = 1 : SDNumber
if(fitness(SDchooseIndex(j)) > BestF)
X_new(SDchooseIndex(j), :) = pop_new(1, :) + randn() .* abs(pop_new(SDchooseIndex(j), :) - pop_new(1, :));
elseif(fitness(SDchooseIndex(j)) == BestF)
K = 2 * rand() -1;
X_new(SDchooseIndex(j), :) = pop_new(SDchooseIndex(j), :) + K .* (abs(pop_new(SDchooseIndex(j), :) - ...
pop_new(end, :)) ./ (fitness(SDchooseIndex(j)) - fitness(end) + 10^-8));
end
end
%% 边界控制
for j = 1 : SearchAgents
for a = 1 : dimension
if(X_new(j, a) > upperbound(a))
X_new(j, a) = upperbound(a);
end
if(X_new(j, a) < lowerbound(a))
X_new(j, a) = lowerbound(a);
end
end
end
参考资料
[1] https://blog.csdn.net/kjm13182345320/article/details/128564123?spm=1001.2014.3001.5501
[2] https://blog.csdn.net/kjm13182345320/article/details/128573597?spm=1001.2014.3001.5501