【LSSVM时间序列预测】海洋捕食者算法优化最小二乘支持向量机MPA-LSSVM时序预测未来数据【含Matlab源码 2481期】

⛄一、运行结果

✅博主简介：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：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭：行百里者，半于九十。

更多Matlab仿真内容点击👇
Matlab图像处理（进阶版）
路径规划（Matlab）
神经网络预测与分类（Matlab）
优化求解（Matlab）
语音处理（Matlab）
信号处理（Matlab）
车间调度（Matlab）

⛄一、海洋捕食者算法（MPA）简介

1 海洋捕食者算法（MPA）定义
海洋捕食者算法(MPA)是一种自然启发式的优化算法,它遵循在最佳觅食策略中自然支配的规则,并且在海洋生态系统中遇到捕食者与猎物之间的速率策略。

2 海洋捕食者算法（MPA）流程
(1) 初始化精英矩阵(Elite)和猎物矩阵(Prey)
猎物矩阵(Prey) 矩阵每一个元素 Xij 的初始化方法:

最终得到的Prey矩阵:

其中，n是种群的规模，d是每个维度的位置(问题的解的维度)。
对每一个Prey个体Xi = [Xi,1, Xi,2, …, Xi,d], 计算其适应度, 然后使用适应度最优的个体 XI 复制n份构成Elite矩阵

其中n是种群的规模，d是每个维度的位置(问题的解的维度)，Elite的维度与Prey的维度相同。
(2)接着我们开始进行优化。在优化的过程中，具有三个步骤。
步骤一:
当迭代次数小于最大迭代次数的三分之一的时候

其中，RB 是采用布朗随机游走产生的随机数组成的向量，维度是 d(问题的求解规模，下同)。si 代表移动的步长。 P是一个常数，等于0.5。R是一个0到1之间的均匀分布的随机数组成的向量，维度是 d。
RB相当于一般化的高斯分布(Normal Gaussian distribution)。每一个元素 RBi 可以通过下列表达式来计算:

步骤二:
当迭代次数大于最大迭代次数的三分之一而小于其三分之二时，种群分两部分进行操作。
前半部分种群跟新规则如下：

其中， RL 是 Levy 分布组成的出来的一个向量，维度是 d。P是一个常数，等于0.5。R是一个0到1之间的均匀分布的随机数组成的向量，维度是 d。
RL 的每一项元素 RLi 可以由下列式子计算得来:

其中，C 和 α是一个常数，分别等于0.05和1.5。

在上面的表达式中

后半部分种群跟新规则如下:

这里RB 是采用布朗随机游走产生的随机数组成的向量，维度是 d。P是常数，等于0.5。CF是步长si 的自适应参数(下同), 定义为

其中, Iter是迭代次数，Max_Iter是最大迭代次数。
步骤三：
当迭代次数大于最大迭代次数的三分之二时，进入第三个阶段，此时种群更新规则如下:

(3) 解决涡流形成和FADS效应(Eddy formation and FADs’ effect)
此操作的作用是让算法在迭代过程中尽可能跳出局部最优解，已达到更好的寻优精度。

其中r是一个随机数, FADS是一个影响优化过程的常数，等于0.2。r1和r2是Prey两个随机下标, 1 ≤ r1,r2 ≤ n。 U是一个包含0和1的二进制向量，维度是d。U的每一个元素 Ui 定义为

其中random是一个0到1的随机数，FADs等于0.2。
(4) 海洋记忆(Marine memory)
这一步骤进行对Elite(精英)矩阵的更新。
针对每一个Prey矩阵中的个体Preyi ,计算其适应度，若适应度由于Elite矩阵矩阵中相应的位置的适应度时，则将该个体替代原来精英矩阵中相应的个体。然后在计算整个精英矩阵中最优个体的适应度，若符合要求，则算法结束，否则继续迭代。
算法的流程图总结出来如下:

⛄三、部分源代码

%% 清空环境变量
warning off % 关闭报警信息
close all % 关闭开启的图窗
clear % 清空变量
clc % 清空命令行

%% 导入数据（时间序列的单列数据）
result = xlsread(‘数据.xlsx’);

%% 数据分析
num_samples = length(result); % 样本个数
kim = 12; % 延时步长（kim个历史数据作为自变量）
zim = 1; % 预测未来多少数据（跨zim个时间点进行预测）
ST = 100; % 递归预测未来多少数据，100是预测100个数据

%% 划分数据集
for i = 1: num_samples - kim - zim + 1
res(i, 😃 = [reshape(result(i: i + kim - 1), 1, kim), result(i + kim + zim - 1)];
end

%% 数据集分析
outdim = 1; % 最后一列为输出
num_size = 0.7; % 训练集占数据集比例
num_train_s = round(num_size * num_samples); % 训练集样本个数
f_ = size(res, 2) - outdim; % 输入特征维度

%% 划分训练集和测试集
P_train = res(1: num_train_s, 1: f_)‘;
T_train = res(1: num_train_s, f_ + 1: end)’;
M = size(P_train, 2);

P_test = res(num_train_s + 1: end, 1: f_)‘;
T_test = res(num_train_s + 1: end, f_ + 1: end)’;
N = size(P_test, 2);

%% 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);

%% 转置以适应模型
p_train = p_train’; p_test = p_test’;
t_train = t_train’; t_test = t_test’;

%% 参数设置
pop = 5; % 种群数目
Max_iter = 50; % 迭代次数
dim = 2; % 优化参数个数
lb = [10, 10]; % 下限
ub = [1000, 1000]; % 上限

%% 优化函数
fobj = @(x)fitnessfunclssvm(x, p_train, t_train);

%% 优化
[Best_pos, Best_score, curve] = MPA(pop, Max_iter, lb, ub, dim, fobj);
type = ‘f’;
kernel = ‘RBF_kernel’;
proprecess = ‘preprocess’;
gam = Best_pos(1);
sig = Best_pos(2);
model = initlssvm(p_train, t_train, type, gam, sig, kernel, proprecess);
model = trainlssvm(model);

%% 模型预测
t_sim1 = simlssvm(model, p_train);
t_sim2 = simlssvm(model, p_test);

%% 数据反归一化
T_sim1 = mapminmax(‘reverse’, t_sim1, ps_output);
T_sim2 = mapminmax(‘reverse’, t_sim2, ps_output);

%% 均方根误差
error1 = sqrt(sum((T_sim1’ - T_train).^2) ./ M);
error2 = sqrt(sum((T_sim2’ - T_test ).^2) ./ N);

%% 优化曲线
figure
plot(curve, ‘linewidth’, 1.5);
title(‘迭代曲线e’)
xlabel(‘迭代次数’)
ylabel(‘最优值’)
grid on;

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]仝卫国,郭超宇,赵如意.基于改进麻雀算法优化LSSVM的再循环箱浆液密度预测模型[J].电子测量技术. 2022,45(01)
[2]龚荣,谢宁新,李德伦,洪丽啦.基于海洋捕食者算法和ELM的空气质量指数预测[J].广西民族大学学报(自然科学版). 2022,28(04)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合