灰狼算法GWO优化径向基网络做回归预测，多输入单输出模型。GWO-RBF

 

clc;
clear all;
close all
tic
warning off

%%  导入数据
% 训练集——190个样本
P_train = xlsread('data','training set','B2：G191')';
T_train= xlsread('data','training set','H2：H191')';
% 测试集——44个样本
P_test=xlsread('data','test set','B2:G45')';
T_test=xlsread('data','test set','H2:H45')';

N = size(P_test, 2);          % 测试集样本数
M = size(P_train, 2);         % 训练集样本数

%%  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);

%%  参数初始化
pop=10; %种群数量
Max_iter=20; %  设定最大迭代次数
dim = 1;% 维度为，即优化超参数
lb = [10];%下边界     RBF 参数s的变化的最大值.
ub = [1000];%上边界
fobj = @(x)fobj(x);
[Best_score,Best_pos,curve]=GWO(pop,Max_iter,lb,ub,dim,fobj); %开始优化

% pso_option.popsmax = 1000;                   % popsmax:初始为1000, RBF 参数s的变化的最大值.
% pso_option.popsmin = 0.1;                    % popsmin:初始为 0.1, RBF 参数s的变化的最小值