基于灰狼优化算法优化Elman神经网络研究（Matlab代码实现）

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

💥1 概述

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码及文章下载

---

💥1 概述

文献来源：

这篇论文介绍了将Elman神经网络（ENN）与灰狼优化器（GWO）结合进行时间序列预测和数据分类的方法。灰狼优化器算法用于优化网络参数。为了评估该方法的性能，我们在Mackey Glass和乳腺癌两个数据集上进行了一些实验。此外，我们提供了模拟示例，以比较该模型与文献中五种已知的元启发式方法的效果。实验结果表明，GWO-ENN模型具有更好的泛化性能。

📚2 运行结果

部分代码：

clear all 
clc

Runno=1;

SearchAgents_no=200; % Number of search agents

% classification datasets

data_base='F4'; %breast cancer
% Load details of the selected data set
[lb,ub,dim,fobj]=breast_cancer(data_base);

Max_iteration=3; % Maximum numbef of iterations

[Best_score,Best_pos,GWO_cg_curve]=GWO(SearchAgents_no,Max_iteration,lb,ub,dim,fobj);

disp(['The best and mean of the last Generation is # ', num2str(GWO_cg_curve(end))]);
semilogy((GWO_cg_curve),'Color','r')
hold on
PSO_cg_curve=PSO(SearchAgents_no,Max_iteration,lb,ub,dim,fobj); % run PSO to compare to results
semilogy(PSO_cg_curve,'Color','b')
title('Objective space')
xlabel('Iteration');
ylabel('Best score obtained so far');

axis tight
grid on
box on
legend('GWO')
saveas(gcf, '../results/fig1.png')
print('../results/plot', '-dpdf')
%***************test cancer ************************%
if data_base=='F4'
    
    load Cancer.txt
 x=Cancer;
 %I2=x(1:150,1:4);

🎉3 参考文献

文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。

🌈4 Matlab代码及文章下载