✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。 个人主页：海神之光 代码获取方式： 海神之光Matlab王者学习之路—代码获取方式 ⛳️座右铭：行百里者，半于九十。
更多Matlab仿真内容点击 Matlab图像处理（进阶版） 路径规划（Matlab） 神经网络预测与分类（Matlab） 优化求解（Matlab） 语音处理（Matlab） 信号处理（Matlab） 车间调度（Matlab）
⛄一、蜂虎狩猎算法优化核极限学习RIME-KELM交通量回归预测简介
1 蜂虎狩猎算法 蜂虎狩猎算法(Bee Tiger Hunting Algorithm， BTH A) 是一种基于群体智能的优化算法Q， 该算法模拟了蜜蜂和老虎在捕食过程中的行 为，并通过不断迭代寻找最优解。该算法具有简单、易于实现、全局寻优能力强等特点，在多种优化问题中表现出良好的效果。
算法原理 蜂虎狩猎算法模拟了蜜蜂和老虎在捕食过程中的行为，包含两个阶段：搜索阶段和聚合阶段。 搜索阶段：在该阶段中，蜜蜂和老虎在搜索食物时都会随机移动，并记录下最佳位置。其中，蜜蜂以自身为中心将周围的食物信息整合起来，形成一个适应度值，最后选择适应度值最高的位置；而老虎则采用基于梯度的搜索策略，根据当前位置的梯度信息确定下一步的移动方向。
聚合阶段：在该阶段中，蜜蜂和老虎将在寻找到的最佳位置附近聚集，并通过交换信息来更新自身位置。其中，蜜蜂会向最优解点靠拢，并用自己的适应度值替换掉该点原有的适应度值；而老虎则会沿着梯度方向反复迭代，直到达到最优解点。
2 KELM KELM是一种机器学习算法，全称为核极限学习机（Kernel Extreme Learning Machine）。KELM广泛应用于空气质量预报中。空气质量预报是指通过对大气环境中的污染物进行监测和分析，使用数学模型和机器学习算法来预测未来一段时间内的空气质量状况。KELM可以通过对空气质量数据进行分析和训练，建立预测模型，从而实现对未来空气质量的预测。KELM算法基于高维非线性映射和核函数的思想，能够处理高维数据并具有较好的泛化能力，因此在空气质量预报中具有较高的准确性和可靠性。
2.1 KELM的基本原理 KELM的基本原理是使用随机生成的隐含层节点的线性组合来近似目标函数，并通过求解最小二乘问题来得到输出权重。
2.2 KELM的步骤 KELM的步骤如下：首先，通过选择适当的核函数来计算输入样本与隐含层节点之间的相似度；然后，将相似度矩阵输入到求解最小二乘问题的优化器中，以得到输出权重；最后，使用得到的输出权重对新的输入样本进行预测。
3 基本介绍 MATLAB实现BEH-KELM和KELM蜂虎狩猎算法优化核极限学习机多输入单输出时间序列预测，运行环境Matlab2019b及以上。核极限学习机（Kernel Based Extreme Learning Machine，KELM）是基于极限学习机（Extreme Learning Machine，ELM）并结合核函数所提出的改进算法，KELM 能够在保留 ELM 优点的基础上提高模型的预测性能。针对时间序列预测, 在单隐层前馈神经网络的基础上, 基于进化计算的优化策略, 提出了一种优化的核极限学习机(optimized kernel extreme learning machine, O-KELM) 方法.麻雀算法优化两个参数，正则化系数 C 和核函数参数 S。命令窗口输出MAE、MAPE、MSE、RMSE和R2。
⛄二、部分源代码
%% 初始化 clear close all clc format shortg warning off addpath(‘func_defined’)
%% 读取读取 data=xlsread(‘数据.xlsx’,‘Sheet1’,‘A1:N252’); %%使用xlsread函数读取EXCEL中对应范围的数据即可
%输入输出数据 input=data(:,1:end-1); %data的第一列-倒数第二列为特征指标 output=data(:,end); %data的最后面一列为输出的指标值
N=length(output); %全部样本数目 testNum=15; %设定测试样本数目 trainNum=N-testNum; %计算训练样本数目
%% 划分训练集、测试集 input_train = input(1:trainNum,:)‘; output_train =output(1:trainNum)’; input_test =input(trainNum+1:trainNum+testNum,:)‘; output_test =output(trainNum+1:trainNum+testNum)’;
%% 数据归一化 [inputn,inputps]=mapminmax(input_train,-1,1); [outputn,outputps]=mapminmax(output_train); inputn_test=mapminmax(‘apply’,input_test,inputps);
%% 获取输入层节点、输出层节点个数 inputnum=size(input,2); outputnum=size(output,2); disp(‘/’) disp(‘极限学习机ELM结构…’) disp([‘输入层的节点数为：’,num2str(inputnum)]) disp([‘输出层的节点数为：’,num2str(outputnum)]) disp(’ ') disp(‘隐含层节点的确定过程…’)
%确定隐含层节点个数 %注意：BP神经网络确定隐含层节点的方法是：采用经验公式hiddennum=sqrt(m+n)+a，m为输入层节点个数，n为输出层节点个数，a一般取为1-10之间的整数 %在极限学习机中，该经验公式往往会失效，设置较大的范围进行隐含层节点数目的确定即可。
MSE=1e+5; %初始化最小误差 for hiddennum=10:20
%用训练数据训练极限学习机模型
[IW0,B0,LW0,TF,TYPE] = elmtrain(inputn,outputn,hiddennum);
%对训练集仿真
an0=elmpredict(inputn,IW0,B0,LW0,TF,TYPE); %仿真结果
mse0=mse(outputn,an0); %仿真的均方误差
disp(['隐含层节点数为',num2str(hiddennum),'时，训练集的均方误差为：',num2str(mse0)])
%更新最佳的隐含层节点
if mse0 MSE=mse0; hiddennum_best=hiddennum; end end disp([‘最佳的隐含层节点数为：’,num2str(hiddennum_best),‘，相应的均方误差为：’,num2str(MSE)]) %% 训练最佳隐含层节点的极限学习机模型 disp(’ ') disp(‘ELM极限学习机：’) [IW0,B0,LW0,TF,TYPE] = elmtrain(inputn,outputn,hiddennum_best); %% 模型测试 an0=elmpredict(inputn_test,IW0,B0,LW0,TF,TYPE); %用训练好的模型进行仿真 test_simu0=mapminmax(‘reverse’,an0,outputps); % 预测结果反归一化 %误差指标 [mae0,mse0,rmse0,mape0,error0,errorPercent0]=calc_error(output_test,test_simu0); %% 蜂虎狩猎算法寻最优权值阈值 disp(’ ') disp(‘BEH优化ELM极限学习机：’) %初始化BEH参数 N=20; %初始种群规模 M=30; %最大进化代数 dim=inputnumhiddennum_best+hiddennum_best; %自变量个数 %自变量下限 lb=[-ones(1,inputnumhiddennum_best) … %输入层到隐含层的连接权值范围是[-1 1] 下限为-1 zeros(1,hiddennum_best)]; %隐含层阈值范围是[0 1] 下限为0 %自变量上限 ub=ones(1,dim); fobj =@(x) fitness(x,hiddennum_best, inputn, outputn, output_train, inputn_test ,outputps, output_test); [Best_score,bestX,Convergence_curve]=BEH(N,M, lb, ub,dim,fobj); %% 绘制进化曲线 figure plot(Convergence_curve,‘r-’,‘linewidth’,2) xlabel(‘进化代数’) ylabel(‘均方误差’) legend(‘最佳适应度’) title(‘BEH的进化曲线’) %% 优化后的参数训练ELM极限学习机模型 [IW1,B1,LW1,TF,TYPE] = elmtrain(inputn,outputn,hiddennum_best,bestX ); %IW1 B1 LW1为优化后的ELM求得的训练参数 hiddennum_best %% 优化后的ELM模型测试 an1=elmpredict(inputn_test,IW1,B1,LW1,TF,TYPE); test_simu1=mapminmax(‘reverse’,an1,outputps); %误差指标 [mae1,mse1,rmse1,mape1,error1,errorPercent1]=calc_error(output_test,test_simu1); %% 作图 figure plot(output_test,‘b-.o’,‘linewidth’,2) hold on plot(test_simu0,‘g-s’,‘linewidth’,2) hold on plot(test_simu1,‘r-p’,‘linewidth’,2) legend(‘真实值’,‘ELM预测值’,‘BEH-ELM预测值’) xlabel(‘测试样本编号’) ylabel(‘指标值’) title(‘优化前后的ELM模型预测值和真实值对比图’) figure plot(error0,‘b-s’,‘markerfacecolor’,‘g’) hold on plot(error1,‘r-p’,‘markerfacecolor’,‘g’) legend(‘ELM预测误差’,‘BEH-ELM预测误差’) xlabel(‘测试样本编号’) ylabel(‘预测偏差’) title(‘优化前后的ELM模型预测值和真实值误差对比图’) ⛄三、运行结果 ⛄四、matlab版本及参考文献 1 matlab版本 2014a 2 参考文献 [1]张炜, 崔娟. 基于麻雀算法优化的核极限学习机在风电功率预测中的应用[J]. 电力科学与工程, 2018, 34(2): 1-7. [2]师晓龙, 王楠, 李颖, 等. 基于改进的麻雀算法和核极限学习机的风电功率预测[J]. 电力系统保护与控制, 2016, 44(16): 39-45. [3]殷定庆, 程晓杰, 程肖飞, 等. 基于麻雀算法优化的核极限学习机在风电功率预测中的应用[J]. 计算机与数字工程, 2014, 42(12): 2858-2863 3 备注 简介此部分摘自互联网，仅供参考，若侵权，联系删除 仿真咨询 1 各类智能优化算法改进及应用 生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化 2 机器学习和深度学习方面 卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断 3 图像处理方面 图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知 4 路径规划方面 旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化 5 无人机应用方面 无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配 6 无线传感器定位及布局方面 传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化 7 信号处理方面 信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化 8 电力系统方面 微电网优化、无功优化、配电网重构、储能配置 9 元胞自动机方面 交通流 人群疏散 病毒扩散 晶体生长 10 雷达方面 卡尔曼滤波跟踪、航迹关联、航迹融合 文章链接
您阅读本篇文章共花了：
发表评论