在网上找到的灰狼算法代码，想解决边坡位移—时间曲线的预测问题，可是只把这些命令流输入进去就显示未定义函数或变量‘initialization’。这到底是什么意思呢，还有，有木有大师帮帮忙给讲解一下具体灰狼算法，要是我手里有时间和位移值这两部分数据，我应该把它们带到哪一步呢？毕业救急，谢谢各位了，祝好人一生平安！

tic % 计时

%% 清空环境导入数据

clear

clc

close all

format long

load wndspd

%% GWO-SVR

% 训练/测试数据准备(用前3天预测后一天),用前100天做测试数据

train_input(1,:)=wndspd(1:97);

train_input(2,:)=wndspd(2:98);

train_input(3,:)=wndspd(3:99);

train_output=[wndspd(4:100)]';

test_input(1,:)=wndspd(101:end-3);

test_input(2,:)=wndspd(102:end-2);

test_input(3,:)=wndspd(103:end-1);

test_output=[wndspd(104:end)]';

[input_train,rule1]=mapminmax(train_input);

[output_train,rule2]=mapminmax(train_output);

input_test=mapminmax('apply',test_input,rule1);

output_test=mapminmax('apply',test_output,rule2);

%% 利用灰狼算法选择最佳的SVR参数

SearchAgents_no=20; % 狼群数量

Max_iteration=20; % 最大迭代次数

dim=2; % 此例需要优化两个参数c和g

lb=[0.01,0.01]; % 参数取值下界

ub=[100,100]; % 参数取值上界

Alpha_pos=zeros(1,dim); % 初始化Alpha狼的位置

Alpha_score=inf; % 初始化Alpha狼的目标函数值，change this to -inf for maximization problems

Beta_pos=zeros(1,dim); % 初始化Beta狼的位置

Beta_score=inf; % 初始化Beta狼的目标函数值，change this to -inf for maximization problems

Delta_pos=zeros(1,dim); % 初始化Delta狼的位置

Delta_score=inf; % 初始化Delta狼的目标函数值，change this to -inf for maximization problems

Positions=initialization(SearchAgents_no,dim,ub,lb);

Convergence_curve=zeros(1,Max_iteration);

l=0; % 循环计数器

while l

for i=1:size(Positions,1)  % 遍历每个狼

% 若搜索位置超过了搜索空间，需要重新回到搜索空间

Flag4ub=Positions(i,:)>ub;

Flag4lb=Positions(i,:)

% 若狼的位置在最大值和最小值之间，则位置不需要调整，若超出最大值，最回到最大值边界；

% 若超出最小值，最回答最小值边界

Positions(i,:)=(Positions(i,:).*(~(Flag4ub+Flag4lb)))+ub.*Flag4ub+lb.*Flag4lb; % ~表示取反

% 计算适应度函数值

cmd = ['-s 3 -t 2',' -c ',num2str(Positions(i,1)),' -g ',num2str(Positions(i,2))];

model=svmtrain(output_train',input_train',cmd); % SVM模型训练

[~,fitness]=svmpredict(output_test',input_test',model); % SVM模型预测及其精度

fitness=fitness(2); % 以平均均方误差MSE作为优化的目标函数值

if fitness

Alpha_score=fitness; % 则将Alpha狼的目标函数值更新为最优目标函数值

Alpha_pos=Positions(i,:); % 同时将Alpha狼的位置更新为最优位置

end

if fitness>Alpha_score && fitness

Beta_score=fitness; % 则将Beta狼的目标函数值更新为最优目标函数值

Beta_pos=Positions(i,:); % 同时更新Beta狼的位置

end

if fitness>Alpha_score && fitness>Beta_score && fitness

Delta_score=fitness; % 则将Delta狼的目标函数值更新为最优目标函数值

Delta_pos=Positions(i,:); % 同时更新Delta狼的位置

end

end

a=2-l*((2)/Max_iteration); % 对每一次迭代，计算相应的a值，a decreases linearly fron 2 to 0

for i=1:size(Positions,1) % 遍历每个狼

for j=1:size(Positions,2) % 遍历每个维度

% 包围猎物，位置更新

r1=rand(); % r1 is a random number in [0,1]

r2=rand(); % r2 is a random number in [0,1]

A1=2*a*r1-a; % 计算系数A，Equation (3.3)

C1=2*r2; % 计算系数C，Equation (3.4)

% Alpha狼位置更新

D_alpha=abs(C1*Alpha_pos(j)-Positions(i,j)); % Equation (3.5)-part 1

X1=Alpha_pos(j)-A1*D_alpha; % Equation (3.6)-part 1

r1=rand();

r2=rand();

A2=2*a*r1-a; % 计算系数A，Equation (3.3)

C2=2*r2; % 计算系数C，Equation (3.4)

% Beta狼位置更新

D_beta=abs(C2*Beta_pos(j)-Positions(i,j)); % Equation (3.5)-part 2

X2=Beta_pos(j)-A2*D_beta; % Equation (3.6)-part 2

r1=rand();

r2=rand();

A3=2*a*r1-a; % 计算系数A，Equation (3.3)

C3=2*r2; % 计算系数C，Equation (3.4)

% Delta狼位置更新

D_delta=abs(C3*Delta_pos(j)-Positions(i,j)); % Equation (3.5)-part 3

X3=Delta_pos(j)-A3*D_delta; % Equation (3.5)-part 3

% 位置更新

Positions(i,j)=(X1+X2+X3)/3;% Equation (3.7)

end

end

l=l+1;

Convergence_curve(l)=Alpha_score;

end

bestc=Alpha_pos(1,1);

bestg=Alpha_pos(1,2);

bestGWOaccuarcy=Alpha_score;

%% 打印参数选择结果

disp('打印选择结果');

str=sprintf('Best Cross Validation Accuracy = %g%%，Best bestc = %g，Best bestg = %g',bestGWOaccuarcy*100,bestc,bestg);

disp(str)

%% 利用回归预测分析最佳的参数进行SVM网络训练

cmd_gwo_svr=['-s 3 -t 2',' -c ',num2str(bestc),' -g ',num2str(bestg)];

model_gwo_svr=svmtrain(output_train',input_train',cmd_gwo_svr); % SVM模型训练

%% SVM网络回归预测

[output_test_pre,acc]=svmpredict(output_test',input_test',model_gwo_svr); % SVM模型预测及其精度

test_pre=mapminmax('reverse',output_test_pre',rule2);

test_pre = test_pre';

err_pre=wndspd(104:end)-test_pre;

figure('Name','测试数据残差图')

set(gcf,'unit','centimeters','position',[0.5,5,30,5])

plot(err_pre,'*-');

figure('Name','原始-预测图')

plot(test_pre,'*r-');hold on;plot(wndspd(104:end),'bo-');

legend('预测','原始')

set(gcf,'unit','centimeters','position',[0.5,13,30,5])

result=[wndspd(104:end),test_pre]

MAE=mymae(wndspd(104:end),test_pre)

MSE=mymse(wndspd(104:end),test_pre)

MAPE=mymape(wndspd(104:end),test_pre)

%% 显示程序运行时间

toc

2019-6-17 13:46 上传

点击文件名下载附件

70 Bytes, 下载次数: 41

2019-6-17 13:46 上传

点击文件名下载附件

85 Bytes, 下载次数: 33

2019-6-17 13:46 上传

点击文件名下载附件

74 Bytes, 下载次数: 36

2019-6-17 13:46 上传

点击文件名下载附件

1.8 KB, 下载次数: 66

2019-6-17 13:46 上传

点击文件名下载附件

19.7 KB, 下载次数: 41

2019-6-17 13:46 上传

点击文件名下载附件

447 Bytes, 下载次数: 35