【ELMAN回归预测】基于matlab灰狼算法优化ELMAN回归预测【含Matlab源码 1782期】

一、获取代码方式

获取代码方式1：
完整代码已上传我的资源：【回归预测】基于matlab灰狼算法优化ELMAN神经网络回归预测【含Matlab源码 1782期】

获取代码方式2：
通过订阅紫极神光博客付费专栏，凭支付凭证，私信博主，可获得此代码。

备注：
订阅紫极神光博客付费专栏，可免费获得1份代码（有效期为订阅日起，三天内有效）；

二、灰狼优化算法简介

灰狼是食肉动物，习惯群居，他们拥有着如同金字塔一样的等级体系(图2)，狼群中头狼称为α狼，负责管理整个狼群;在α狼之下的是β狼，通常负责协助α狼的管理工作;狼群中等级最低的是ω狼;还有一类较为特殊的γ狼，是狼群中的哨兵和侦查兵，它的地位高于ω狼而低于β狼。当狼群捕食时，α狼发布命令，其他狼执行命令，通过不断靠近猎物，最后攻击猎物，捕食成功。

灰狼优化算法正是根据灰狼的金字塔等级制度和狼群群体捕食的特点开发出来的群优化算法，为了模拟狼群中的社会等级，将α，β和γ分别代表历史最优解、次优解和第3最优解，ω则代表其余的候选解，在算法中α，β和γ指导最优解的搜索，ω负责跟随。算法进化公式为


式中，Xα，Xβ，X3分别为α，β，γ狼进行捕食行为的位置矢量;X1,X2,X3分别为灰狼X要向α，β，γ移动的位置矢量;X(t+1)为移动终点。

图2 灰狼种群社会等级制度

三、部分源代码

% 基于GWO-Elman神经网络的电力负荷预测模型研究
%% 清空环境变量
clc;
clear all
close all
nntwarn off;
rng('default');
%% 数据载入
load data;
a=data;
%% 选取训练数据和测试数据
for i=1:6
    p(i,:)=[a(i,:),a(i+1,:),a(i+2,:)];
end
% 训练数据输入
p_train=p(1:5,:);
% 训练数据输出
t_train=a(4:8,:);
% 测试数据输入
p_test=p(6,:);
% 测试数据输出
t_test=a(9,:);

% 为适应网络结构 做转置
p_train=p_train';
t_train=t_train';
p_test=p_test';


%% 网络相关参数设定
hiddNum = 18;%隐含层个数
R = size(p_train,1);%输入数据每组的维度
Q = size(t_train,1);%输出数据的维度
threshold = [0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1];%每组数据对应维度的最小（0）和最大值（1）;

%% 灰狼相关参数设定
%% 定义灰狼优化参数
pop=20; %种群数量


%% 利用基础Elman进行预测
% 建立Elman神经网络 隐藏层为hiddNum个神经元
net1=newelm(threshold,[hiddNum,Q],{'tansig','purelin'});
% 设置网络训练参数
net1.trainparam.epochs=100;
net1.trainParam.showWindow = false; 
net1.trainParam.showCommandLine = false; 
 % 初始化网络
 net1=init(net1);
% Elman网络训练
net1=train(net1,p_train,t_train);
% 预测数据
y1=sim(net1,p_test);
% 计算误差
error1 = y1'-t_test;
ESum1 = sum(abs(error1));
figure
plot(y1,'ro-','linewidth',2);
hold on
plot(t_test,'b*-','linewidth',2);
title('Elman预测图')
set(gca,'Xtick',[1:3])
legend('GWO-Elman','原始Elman')
xlabel('时间点')
ylabel('误差')
%% 通过作图 观察不同隐藏层神经元个数时，网络的预测效果
figure
plot(abs(error),'ro-','linewidth',2);
hold on
plot(abs(error1),'b*-','linewidth',2);
title('Elman预测绝对误差图')
set(gca,'Xtick',[1:3])
legend('GWO-Elman','原始Elman')
xlabel('时间点')
ylabel('误差')
hold off;
grid on;
disp(['原始Elman的绝对误差和：',num2str(ESum1)])
disp(['GWO-Elman的绝对误差和：',num2str(ESum)])


%% 绘制灰狼收敛曲线
figure
plot(GWO_curve,'linewidth',1.5);
title('灰狼收敛曲线')
xlabel('迭代次数')
ylabel('适应度值')
grid on


  

 

  
1
  
2
  
3
  
4
  
5
  
6
  
7
  
8
  
9
  
10
  
11
  
12
  
13
  
14
  
15
  
16
  
17
  
18
  
19
  
20
  
21
  
22
  
23
  
24
  
25
  
26
  
27
  
28
  
29
  
30
  
31
  
32
  
33
  
34
  
35
  
36
  
37
  
38
  
39
  
40
  
41
  
42
  
43
  
44
  
45
  
46
  
47
  
48
  
49
  
50
  
51
  
52
  
53
  
54
  
55
  
56
  
57
  
58
  
59
  
60
  
61
  
62
  
63
  
64
  
65
  
66
  
67
  
68
  
69
  
70
  
71
  
72
  
73
  
74
  
75
  
76
  
77
  
78
  
79
  
80
  
81
  
82
  
83
  
84
  
85
  
86
  
87
  
88
  
89
 

四、运行结果

五、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1] 包子阳,余继周,杨杉.智能优化算法及其MATLAB实例（第2版）[M].电子工业出版社，2016.
[2]张岩,吴水根.MATLAB优化算法源代码[M].清华大学出版社，2017.
[3]周品.MATLAB 神经网络设计与应用[M].清华大学出版社，2013.
[4]陈明.MATLAB神经网络原理与实例精解[M].清华大学出版社，2013.
[5]施龙青,张荣遨,徐东晶等.基于GWO-Elman神经网络的底板突水预测[M].煤炭学报. 2020,45(07)

文章来源: qq912100926.blog.csdn.net，作者：海神之光，版权归原作者所有，如需转载，请联系作者。

原文链接：qq912100926.blog.csdn.net/article/details/123512987