粒子群算法PSO优化极限学习机做拟合回归预测，多输入单输出模型。PSO-ELM

 

clc;
clear all;
close all
addpath pathA
tic

%%  导入数据
% 训练集——190个样本
P_train = xlsread('data','training set','B2：G191')';
T_train= xlsread('data','training set','H2：H191')';
% 测试集——44个样本
P_test=xlsread('data','test set','B2:G45')';
T_test=xlsread('data','test set','H2:H45')';

N = size(P_test, 2);          % 测试集样本数
M = size(P_train, 2);         % 训练集样本数
%%  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);

%%  初始隐层神经元个数
hiddennum=40;
inputnum=size(p_train,1);       % 输入层神经元个数
outputnum=size(t_train,1);      % 输出层神经元个数
w1num=inputnum*hiddennum; % 输入层到隐层的权值个数
w2num=outputnum*hiddennum;% 隐层到输出层的权值个数
dim=w1num+hiddennum+w2num+outputnum; %待优化的变量的个数

%%  参数设置
T=200;  %%迭代次数
pop=30;  %%种群数量
ub=1;  %%上限
lb=0;  %%下限
fobj=@(X)Objfun(X,p_train,t_train,hiddennum,p_test,t_test); %适应度函数
[Best_F,Best_P,BestCost]=PSO(pop,T,lb,ub,dim,fobj);  %%粒子群算法

%% 重新训练
w1=Best_P(1:w1num);   %初始输入层到隐层的权值
w1 = reshape(w1,hiddennum,inputnum);
B1=Best_P(w1num+1:w1num+hiddennum);  %初始隐层阈值
B1=reshape(B1,hiddennum,1);