【预测模型-ELM预测】基于麻雀算法优化极限学习机预测附matlab代码

1 内容介绍

一种基于麻雀搜索算法优化极限学习机的风电功率预测方法,具体包括如下步骤:步骤1,确定影响风电功率的主导影响因子;步骤2,构建麻雀搜索算法优化核极限学习机预测模型,通过该模型对风电功率进行预测。本文解决了目前风电功率预测精度低,预测性能受自身参数影响较大的问题。

2 部分代码

function [fMin , bestX, Convergence_curve] = SSA(X, N, M, c, d, dim, fobj)

P_percent = 0.2;    % 发现者的种群规模占总种群规模的百分比

pNum = round(N*P_percent);    % 发现者数量20%

SD = pNum/2;      % 警戒者数量10%

ST = 0.8;           % 安全阈值

lb = c.*ones(1, dim);     % 下限

ub = d.*ones(1,dim);    % 上限

% 初始化

for i = 1:N

%     X(i, :) = lb + (ub - lb) .* rand(1, dim);

    fitness(i) = fobj(X(i, :));

end

pFit = fitness;

pX = X;                            % 与pFit相对应的个体最佳位置

[fMin, bestI] = min(fitness);      % fMin表示全局最优解

bestX = X(bestI, :);             % bestX表示全局最优位置

%% 迭代寻优

for t = 1 : M       

    [~, sortIndex] = sort(pFit);            % 排序

    

    [fmax, B] = max(pFit);

    worst = X(B, :);

    

    %% 发现者位置更新

    r2 = rand(1);

    if r2 < ST

        for i = 1:pNum      % Equation (3)

            r1 = rand(1);

            X(sortIndex(i), :) = pX(sortIndex(i), :)*exp(-(i)/(r1*M));

            X(sortIndex(i), :) = Bounds(X(sortIndex(i), :), lb, ub);

            fitness(sortIndex(i)) = fobj(X(sortIndex(i), :));

        end

    else

        for i = 1:pNum

            X(sortIndex(i), :) = pX(sortIndex(i), :)+randn(1)*ones(1, dim);

            X(sortIndex(i), :) = Bounds(X(sortIndex(i), :), lb, ub);

            fitness(sortIndex(i)) = fobj(X(sortIndex(i), :));

        end

    end

    

    [~, bestII] = min(fitness);

    bestXX = X(bestII, :);

    

    %% 跟随者位置更新

    for i = (pNum+1):N                     % Equation (4)

        A = floor(rand(1, dim)*2)*2-1;

        if i > N/2

            X(sortIndex(i), :) = randn(1)*exp((worst-pX(sortIndex(i), :))/(i)^2);

        else

            X(sortIndex(i), :) = bestXX+(abs((pX(sortIndex(i), :)-bestXX)))*(A'*(A*A')^(-1))*ones(1, dim);

        end

        X(sortIndex(i), :) = Bounds(X(sortIndex(i), :), lb, ub);

        fitness(sortIndex(i)) = fobj(X(sortIndex(i), :));

    end

    

    %% 警戒者位置更新

    c = randperm(numel(sortIndex));

    b = sortIndex(c(1:SD));

    for j = 1:length(b)      % Equation (5)

        if pFit(sortIndex(b(j))) > fMin

            X(sortIndex(b(j)), :) = bestX+(randn(1, dim)).*(abs((pX(sortIndex(b(j)), :) -bestX)));

        else

            X(sortIndex(b(j)), :) = pX(sortIndex(b(j)), :)+(2*rand(1)-1)*(abs(pX(sortIndex(b(j)), :)-worst))/(pFit(sortIndex(b(j)))-fmax+1e-50);

        end

        X(sortIndex(b(j)), :) = Bounds(X(sortIndex(b(j)), :), lb, ub);

        fitness(sortIndex(b(j))) = fobj(X(sortIndex(b(j)), :));

    end

    

    for i = 1:N

        % 更新个体最优

        if fitness(i) < pFit(i) 

            pFit(i) = fitness(i);

            pX(i, :) = X(i, :);

        end

        % 更新全局最优

        if pFit(i) < fMin

            fMin = pFit(i);

            bestX = pX(i, :);

        end

    end

    Convergence_curve(t) = fMin;

    

    disp(['SSA: At iteration ', num2str(t), ' ,the best fitness is ', num2str(fMin)]);

end

%% 边界处理

function s = Bounds(s, Lb, Ub)

% 下界

temp = s;

I = temp < Lb;

temp(I) = Lb(I);

% 上界

J = temp > Ub;

temp(J) = Ub(J);

% 更新

s = temp;

3 运行结果

​4 参考文献

[1]杨云, 王勇. 基于麻雀搜索优化深度极限学习机的入侵检测方法[J]. 微电子学与计算机, 2022(039-006).

[2]呼梦颖, 杨霈轶, 段建东,等. 基于麻雀搜索算法优化核极限学习机的风电功率预测方法:. 

博主简介:擅长智能优化算法神经网络预测信号处理元胞自动机图像处理路径规划无人机雷达通信无线传感器等多种领域的Matlab仿真,相关matlab代码问题可私信交流。

部分理论引用网络文献,若有侵权联系博主删除。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
【【预测模型-elm预测】基于海鸥算法优化极限学习机预测matlab代码.zip】是一个可用于预测Matlab代码压缩文件。其中使用了极限学习机(Extreme Learning Machine,ELM)作为预测模型,并通过海鸥算法(Seagull Algorithm)对其进行优化ELM是一种训练速度快、预测精度高的机器学习算法,它通过随机初始化输入层到隐藏层的权重和偏置,然后利用正则化方法求解输出层的权重,从而使得神经网络的训练变得非常高效。ELM在处理大数据集时具有较好的性能,因为它可以通过增加隐藏层的神经元数量来提高训练速度和预测精度。 海鸥算法是一种基于自适应寻优策略的优化算法,它模拟了海鸥觅食的过程,通过觅食行为的学习来对ELM模型的参数进行调整。通过海鸥算法优化,可以进一步提高ELM模型的预测能力和效果。 这个Matlab代码压缩文件中,包含了使用ELM模型和海鸥算法优化预测模型的实现代码。使用者可以根据需要进行参数的调整和优化,并根据自己的数据进行训练和预测。该代码文件可以帮助用户更好地理解ELM和海鸥算法的实现方式,并在自己的预测任务中应用这些算法。 总之,【【预测模型-elm预测】基于海鸥算法优化极限学习机预测matlab代码.zip】是一个使用ELM模型和海鸥算法优化预测模型Matlab代码压缩文件,可以帮助用户更好地进行预测任务的实现和优化

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

matlab科研助手

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值