目录
一、程序及算法内容介绍:
基本内容:
-
本代码基于Matlab平台编译,将SCA(正余弦算法)与CNN(卷积神经网络)结合,进行多输入数据时序预测
-
输入训练的数据包含8个特征,1个响应值,即通过8个输入值预测1个输出值(多变量时序预测,个数可自行指定)
-
归一化训练数据,提升网络泛化性
-
通过SCA算法优化CNN网络的学习率、卷积核个数参数,记录下最优的网络参数
-
训练优化后的CNN网络进行分类预测,实现更加精准的预测
-
迭代计算过程中,自动显示优化进度条,实时查看程序运行进展情况
-
自动输出多种多样的的误差评价指标,自动输出大量实验效果图片
亮点与优势:
-
注释详细,几乎每一关键行都有注释说明,适合小白起步学习
-
直接运行Main函数即可看到所有结果,使用便捷
-
编程习惯良好,程序主体标准化,逻辑清晰,方便阅读代码
-
所有数据均采用Excel格式输入,替换数据方便,适合懒人选手
-
出图详细、丰富、美观,可直观查看运行效果
-
附带详细的说明文档(下图),其内容包括:算法原理+使用方法说明
二、实际运行效果:
三、算法介绍:
正余弦优化算法(SCA):
根据“没有免费的午餐”(no-free-lunch theorem)理论,没有任何一种优化方法能永远保持最优。该理论也激励研究者们不断寻找更加高效的方法来求解优化问题,探讨其他方法在该问题上的可行性和有效性,丰富优化问题的求解思路。正余弦优化算法(sie cosine algorithm,SCA)图是近年来提出的一种新的智能优化算法,采用正弦函数与余弦函数完成迭代运算,其设计遵循简单、快速的原则,算法无需额外调节的参数,从而提高了应用的便利性。与GA、PSO等相比,SCA 在多峰优化问题上表现出了较强的竞争力。以下是正余弦优化算法的基本步骤:
-
初始化阶段:随机生成一组初始解,形成初始解集合。这些解可以是随机生成的,也可以是根据问题的特点预先设定的。
-
适应度评估阶段:通过目标函数计算初始解集合中每个解的适应度。目标函数通常是需要优化的问题的数学表达式,其结果用于评价解的好坏程度。
-
更新阶段:根据特定的更新策略,对初始解集合中的解进行更新。更新策略可以包括选择最优解进行更新,或者根据一定的概率选择其他解进行更新。
-
终止条件:检查是否满足终止条件,如达到最大迭代次数、达到预设的适应度阈值等。如果满足条件,则算法停止,输出最优解或满足要求的解;如果不满足条件,则返回步骤2,继续迭代更新。
在更新阶段中,正余弦优化算法通过模拟正弦和余弦函数的波动特性,使得解在搜索空间中有规律地波动和变化,从而能够更快地找到最优解或者满足要求的解。这种基于正弦和余弦函数的波动模拟能够帮助算法跳出局部最优解,更全面地搜索解空间。