💥💥💞💞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
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。