【负荷预测】基于自适应灰狼算法(IGWO)改进LSSVM实现负荷预测附Matlab代码

✅作者简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,matlab项目合作可私信。

个人主页:Matlab科研工作室

个人信条:格物致知。

更多Matlab仿真内容点击

智能优化算法  神经网络预测 雷达通信  无线传感器

信号处理 图像处理 路径规划 元胞自动机 无人机  电力系统

⛄ 内容介绍

随着现代智能交通系统的发展,准确的交通流量预测,尤其是短时交通流量的预测,对实时交通控制的重要性日益凸显.为了解决交通流量数据强非线性对预测精度的影响,本文基于最小二乘支持向量机研究交通流量预测方法.提出了一种灰狼优化算法优化LSSVM的惩罚因子γ和核函数参数σ,实现对短时交通流的精准预测.实验结果表明,GWO优化LSSVM的泛化性能和鲁棒性优于其他同类方法,可以实现交通流的精准预测.

【负荷预测】基于自适应灰狼算法(IGWO)改进LSSVM实现负荷预测附Matlab代码_第1张图片

【负荷预测】基于自适应灰狼算法(IGWO)改进LSSVM实现负荷预测附Matlab代码_第2张图片

【负荷预测】基于自适应灰狼算法(IGWO)改进LSSVM实现负荷预测附Matlab代码_第3张图片

⛄ 部分代码

%___________________________________________________________________%

%  Grey Wolf Optimizer (GWO) source codes version 1.0               %

%                                                                   %

%  Developed in MATLAB R2011b(7.13)                                 %

%                                                                   %

%  Author and programmer: Seyedali Mirjalili                        %

%                                                                   %

%         e-Mail: [email protected]                           %

%                 [email protected]             %

%                                                                   %

%       Homepage: http://www.alimirjalili.com                       %

%                                                                   %

%   Main paper: S. Mirjalili, S. M. Mirjalili, A. Lewis             %

%               Grey Wolf Optimizer, Advances in Engineering        %

%               Software , in press,                                %

%               DOI: 10.1016/j.advengsoft.2013.12.007               %

%                                                                   %

%___________________________________________________________________%

% Grey Wolf Optimizer

function [Alpha_score,Alpha_pos,Convergence_curve]=GWO(SearchAgents_no,Max_iter,lb,ub,dim,fobj)

% initialize alpha, beta, and delta_pos

Alpha_pos=zeros(1,dim);

Alpha_score=inf; %change this to -inf for maximization problems

Beta_pos=zeros(1,dim);

Beta_score=inf; %change this to -inf for maximization problems

Delta_pos=zeros(1,dim);

Delta_score=inf; %change this to -inf for maximization problems

%Initialize the positions of search agents

Positions=initialization(SearchAgents_no,dim,ub,lb);

Convergence_curve=zeros(1,Max_iter);

l=0;% Loop counter

% Main loop

while l

    for i=1:size(Positions,1)  

        

       % Return back the search agents that go beyond the boundaries of the search space

%         Flag4ub=Positions(i,:)>ub;

%         Flag4lb=Positions(i,:)

%         Positions(i,:)=(Positions(i,:).*(~(Flag4ub+Flag4lb)))+ub.*Flag4ub+lb.*Flag4lb;               

        

        % Calculate objective function for each search agent

        fitness=fobj(Positions(i,:));

        

        % Update Alpha, Beta, and Delta

        if fitness

            Alpha_score=fitness; % Update alpha

            Alpha_pos=Positions(i,:);

        end

        

        if fitness>Alpha_score && fitness

            Beta_score=fitness; % Update beta

            Beta_pos=Positions(i,:);

        end

        

        if fitness>Alpha_score && fitness>Beta_score && fitness

            Delta_score=fitness; % Update delta

            Delta_pos=Positions(i,:);

        end

    end

    

    

    a=2-l*((2)/Max_iter); % a decreases linearly fron 2 to 0

    % Update the Position of search agents including omegas

    for i=1:size(Positions,1)

        for j=1:size(Positions,2)     

                       

            r1=rand(); % r1 is a random number in [0,1]

            r2=rand(); % r2 is a random number in [0,1]

            

            A1=2*a*r1-a; % Equation (3.3)

            C1=2*r2; % Equation (3.4)

            

            D_alpha=abs(C1*Alpha_pos(j)-Positions(i,j)); % Equation (3.5)-part 1

            X1=Alpha_pos(j)-A1*D_alpha; % Equation (3.6)-part 1

                       

            r1=rand();

            r2=rand();

            

            A2=2*a*r1-a; % Equation (3.3)

            C2=2*r2; % Equation (3.4)

            

            D_beta=abs(C2*Beta_pos(j)-Positions(i,j)); % Equation (3.5)-part 2

            X2=Beta_pos(j)-A2*D_beta; % Equation (3.6)-part 2       

            

            r1=rand();

            r2=rand(); 

            

            A3=2*a*r1-a; % Equation (3.3)

            C3=2*r2; % Equation (3.4)

            

            D_delta=abs(C3*Delta_pos(j)-Positions(i,j)); % Equation (3.5)-part 3

            X3=Delta_pos(j)-A3*D_delta; % Equation (3.5)-part 3             

            

            Positions(i,j)=(X1+X2+X3)/3;% Equation (3.7)

%             

            if Positions(i,j)>ub

                Positions(i,j)=ub;

            elseif Positions(i,j)

                Positions(i,j)=lb;

            end

        end

    end

    l=l+1;    

    Convergence_curve(l)=Alpha_score;

end

⛄ 运行结果

【负荷预测】基于自适应灰狼算法(IGWO)改进LSSVM实现负荷预测附Matlab代码_第4张图片

⛄ 参考文献

[1]伍韵鸣,孙博文,成荣红,等。基于灰狼算法的LSSVM模型预测凝析气藏露点压力研究[J]. 西安石油大学学报:自然科学版, 2020, 35(2):7.

❤️ 关注我领取海量matlab电子书和数学建模资料

❤️部分理论引用网络文献,若有侵权联系博主删除

你可能感兴趣的:(预测模型,机械控制,matlab,算法,开发语言)