多维时序 | MATLAB实现GA-LSTM遗传算法优化长短期记忆网络的多变量时间序列预测

效果一览

基本介绍

MATLAB实现GA-LSTM遗传算法优化长短期记忆网络的数据多变量时间序列预测
MATLAB实现GA-LSTM遗传算法优化长短期记忆网络的数据多变量时间序列预测（Matlab完整程序和数据）
输入多个特征，输出1个，即多输入单输出；
运行环境Matlab2018及以上,运行主程序main即可，其余为函数文件无需运行,所有程序放在一个文件夹,data为数据集；
命令窗口输出RMSEP、MAE、R2、MAPE。

程序设计

完整程序和数据下载方式1(资源处直接下载)：MATLAB实现GA-LSTM遗传算法优化长短期记忆网络的数据多变量时间序列预测测
完整程序和数据下载方式2(订阅《智能学习》专栏，同时获取《智能学习》专栏收录程序3份，数据订阅后私信我获取)：MATLAB实现GA-LSTM遗传算法优化长短期记忆网络的数据多变量时间序列预测

%%  记录最佳参数
Best_pos(1, 2) = round(Best_pos(1, 2));
best_lr = Best_pos(1, 1);
best_hd = Best_pos(1, 2);
best_l2 = Best_pos(1, 3);%%  建立模型
% ----------------------  修改模型结构时需对应修改fical.m中的模型结构  --------------------------
layers = [sequenceInputLayer(f_)            % 输入层lstmLayer(best_hd)                % LSTM层reluLayer                         % Relu激活层fullyConnectedLayer(outdim)       % 输出回归层regressionLayer];%%  参数设置
% ----------------------  修改模型参数时需对应修改fical.m中的模型参数  --------------------------
options = trainingOptions('adam', ...           % Adam 梯度下降算法'MaxEpochs', 500, ...                  % 最大训练次数 500'InitialLearnRate', best_lr, ...       % 初始学习率 best_lr'LearnRateSchedule', 'piecewise', ...  % 学习率下降'LearnRateDropFactor', 0.5, ...        % 学习率下降因子 0.1'LearnRateDropPeriod', 400, ...        % 经过 400 次训练后 学习率为 best_lr * 0.5'Shuffle', 'every-epoch', ...          % 每次训练打乱数据集'ValidationPatience', Inf, ...         % 关闭验证'L2Regularization', best_l2, ...       % 正则化参数'Plots', 'training-progress', ...      % 画出曲线'Verbose', false);%%  训练模型
net = trainNetwork(p_train, t_train, layers, options);%%  仿真验证
t_sim1 = predict(net, p_train);
t_sim2 = predict(net, p_test );%%  数据反归一化
T_sim1 = mapminmax('reverse', t_sim1, ps_output);
T_sim2 = mapminmax('reverse', t_sim2, ps_output);
T_sim1=double(T_sim1);
T_sim2=double(T_sim2);
%%  均方根误差
error1 = sqrt(sum((T_sim1 - T_train).^2) ./ M);
error2 = sqrt(sum((T_sim2 - T_test ).^2) ./ N);
%% 参数初始化
popsize=pop;              %种群规模
lenchrom=dim;              %变量字串长度
fun = fobj;  %适应度函数
pc=0.7;                  %设置交叉概率
pm=0.3;                  %设置变异概率
if(max(size(ub)) == 1)ub = ub.*ones(dim,1);lb = lb.*ones(dim,1);  
end
maxgen=Max_iter;   % 进化次数  %种群%% 产生初始粒子和速度%随机产生一个种群GApop=initialization(pop, dim, ub, lb);       %随机产生个体
for i=1:popsize%计算适应度fitness(i)=fun(GApop(i,:));            %染色体的适应度
end%找最好的染色体
[bestfitness bestindex]=min(fitness);
zbest=GApop(bestindex,:);   %全局最佳
gbest=GApop;                %个体最佳
fitnessgbest=fitness;       %个体最佳适应度值
fitnesszbest=bestfitness;   %全局最佳适应度值%% 迭代寻优
for i=1:maxgendisp(['第',num2str(i),'次迭代'])%种群更新 GA选择更新GApop=Select2(GApop,fitness,popsize);% 交叉操作 GAGApop=Cross(pc,lenchrom,GApop,popsize,lb,ub);% 变异操作 GA变异GApop=Mutation(pm,lenchrom,GApop,popsize,[i maxgen],lb,ub);pop=GApop;for j=1:popsize%适应度值fitness(j)=fun(pop(j,:));%个体最优更新if fitness(j) < fitnessgbest(j)gbest(j,:) = pop(j,:);fitnessgbest(j) = fitness(j);end%群体最优更新if fitness(j) < fitnesszbestzbest = pop(j,:);fitnesszbest = fitness(j);endendcurve(i)=fitnesszbest;     
end
%%  边界数目
Boundary_no= size(ub, 2);%%  变量数目等于1
if Boundary_no == 1Positions = rand(SearchAgents_no, dim) .* (ub - lb) + lb;
end%% 如果每个变量有不同的上下界
if Boundary_no > 1for i = 1 : dimub_i = ub(i);lb_i = lb(i);Positions(:, i) = rand(SearchAgents_no, 1) .* (ub_i - lb_i) + lb_i;end
end