时序预测 | MATLAB实现GWO-GRU灰狼算法优化门控循环单元股价预测

✅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​​        ​​电力系统​​

​​信号处理​​              ​​图像处理​​               ​​路径规划​​       ​​元胞自动机​​        ​​无人机 ​​

⛄ 内容介绍

目前,神经网络是股价建模的主要工具之一。而由于一般的循环神经网络在解决股价问题时存在长范围依赖和梯度消失的问题,故本文采用门限循环单元神经网络(GRU)建立模型,其门限结构更少,训练效率更高。为进一步提高神经网络的预测精度,本文使用灰狼优化算法(GWO)来优化GRU的初始参数,并以此建立了GWO-GRU股价模型，,实验结果表明,在动态建模方面GWO-GRU具有更高的预测精度。

⛄ 部分代码

%___________________________________________________________________%

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

%                                                                   %

%  Developed in MATLAB R2011b(7.13)                                 %

%                                                                   %

%  Author and programmer: Seyedali Mirjalili                        %

%                                                                   %

%         e-Mail: ali.mirjalili@gmail.com                           %

%                 seyedali.mirjalili@griffithuni.edu.au             %

%                                                                   %

%       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

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

Convergence_curve=zeros(1,Max_iter);

l=0;% Loop counter

% Main loop

while l<Max_iter

    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,:)<lb;

        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 

            Alpha_score=fitness; % Update alpha

            Alpha_pos=Positions(i,:);

        end

        if fitness>Alpha_score && fitness<Beta_score 

            Beta_score=fitness; % Update beta

            Beta_pos=Positions(i,:);

        end

        if fitness>Alpha_score && fitness>Beta_score && fitness<Delta_score 

            Delta_score=fitness; % Update delta

            Delta_pos=Positions(i,:);

        end

    end

    % a decreases linearly fron 2 to 0

     a=sin(((l*pi)/Max_iter)+pi/2)+1;

    % 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)

        end

    end

    l=l+1;    

    Convergence_curve(l)=Alpha_score;

end

⛄ 运行结果

⛄ 参考文献

[1]马栋林马司周王伟杰. 基于图卷积网络和门控循环单元的多站点气温预测模型[J]. 计算机应用, 2022, 42(1):287-293.

[2]姜宇航, 王伟, 邹丽芳,等. 基于粒子群-变分模态分解,非线性自回归神经网络与门控循环单元的滑坡位移动态预测模型研究. 

⛄ 完整代码

❤️部分理论引用网络文献，若有侵权联系博主删除

❤️ 关注我领取海量matlab电子书和数学建模资料