【RF回归预测】基于matlab蜂虎狩猎算法优化森林算法BEH-RF风电数据回归预测【含Matlab源码 3844期】

本文主要是介绍【RF回归预测】基于matlab蜂虎狩猎算法优化森林算法BEH-RF风电数据回归预测【含Matlab源码 3844期】,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

✅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、蜂虎狩猎算法优化森林算法BEH-RF风电功率回归预测简介

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 随机森林算法原理
随机森林算法是一种集成学习算法,它通过同时使用多个决策树对数据集进行训练,并通过投票机制或平均化方式来得出最终的预测结果。随机森林算法具有很高的准确性和鲁棒性,可以有效地避免过拟合问题,可以处理高维度数据,可以评估特征的重要性。但是,随机森林算法对于少量数据集表现不佳,结果不够直观,训练时间较长,对于分类不平衡的数据集表现不佳。在应用随机森林算法时,需要进行数据预处理、构建随机森林分类模型和模型评估等步骤

3 随机森林算法步骤
步骤如下:
1、从原始数据集中使用自助采样法(bootstrap)随机抽取n个样本,作为新的训练集。
2、随机选择k个特征,建立一个决策树模型。
3、重复步骤1和步骤2,建立多个决策树模型。
4、对于分类问题,采用投票法(majority voting);对于回归问题,采用平均法(averaging)。
5、对新的数据进行预测,将多个决策树的结果进行综合,得到最终的预测结果。

4 基本描述
4.1 Matlab基于蜂虎狩猎算法优化森林算法BEH-RF的数据多输入单输出回归预测(完整源码和数据)
4.2 BEH选择最佳的RF核函数参数;
4.3 多特征输入单输出的回归预测。程序内注释详细,excel数据,直接替换数据就可以用。
4.4 程序语言为matlab,程序可出预测效果图,迭代优化图,相关分析图,运行环境matlab2019b及以上。评价指标包括:R2、RPD、MSE、RMSE、MAE、MAPE等。
4.5 代码特点:参数化编程、参数可方便更改、代码编程思路清晰、注释明细。

⛄二、部分源代码

clear all
clc
rng(‘default’);
%% 导入数据,‘sheet1’
input=xlsread(‘./叶轮数据说明/4米平均风速-风速条件.xlsx’,‘Sheet1’,‘B3:G12002’);
output=xlsread(‘./叶轮数据说明/4米平均风速-状态.xlsx’,‘Sheet1’,‘F3:F12002’);
N=length(output); %全部样本数目
testNum=round(N*0.9); %设定测试样本数目
trainNum=N-testNum; %计算训练样本数目
% 随机生成训练集、测试集
k = randperm(size(input,1));
% 训练集——1900个样本
P_train=input(k(1:trainNum)😅‘;
T_train=output(k(1:trainNum))’;
% 测试集——100个样本
P_test=input(k(trainNum+1:testNum)😅‘;
T_test=output(k(trainNum+1:testNum))’;

%% 归一化
% 训练集
[Pn_train,inputps] = mapminmax(P_train,-1,1);
Pn_test = mapminmax(‘apply’,P_test,inputps);
% 测试集
[Tn_train,outputps] = mapminmax(T_train,-1,1);
Tn_test = mapminmax(‘apply’,T_test,outputps);
Pn_train = Pn_train’;
Pn_test = Pn_test’;
Tn_train = Tn_train’;
Tn_test = Tn_test’;

%% 定义蜂虎狩猎优化参数
pop=20; %种群数量
Max_iteration=30; % 设定最大迭代次数
dim = 2;%维度,即树个数和最小叶子点树
lb = [1,1];%下边界
ub = [50,20];%上边界
fobj = @(x) fun(x,Pn_train,Tn_train,Pn_test,Tn_test);
[Best_score,Best_pos,BEH_curve]=BEH(pop,Max_iteration,lb,ub,dim,fobj); %开始优化
figure
plot(BEH_curve,‘linewidth’,1.5);
grid on
xlabel(‘迭代次数’)
ylabel(‘适应度函数’)
title(‘BEH-随机森林收敛曲线’)
disp([‘寻优得到的树个数:’,num2str(round(Best_pos(1)))])
disp([‘最小叶子节点:’,num2str(round(Best_pos(2)))])
%用得到的最优参数,训练随机树
numTrees = round(Best_pos(1));
minLeafSize = round(Best_pos(2));
model = TreeBagger(numTrees,Pn_train,Tn_train,‘Method’,‘regression’,‘MinLeafSize’,minLeafSize);
Tn_sim1 = predict(model, Pn_train);
Tn_sim2 = predict(model, Pn_test);
% 反归一化
T_sim1 = mapminmax(‘reverse’,Tn_sim1,outputps);
T_sim2 = mapminmax(‘reverse’,Tn_sim2,outputps);
error1 = T_sim1’ - T_train;
error2 = T_sim2’ - T_test;

%% 传统随机森林
model = TreeBagger(20,Pn_train,Tn_train,‘Method’,‘regression’,‘MinLeafSize’,1);
Tn_sim11 = predict(model, Pn_train);
Tn_sim22 = predict(model, Pn_test);
% 反归一化
T_sim11 = mapminmax(‘reverse’,Tn_sim11,outputps);
T_sim22 = mapminmax(‘reverse’,Tn_sim22,outputps);
error11 = T_sim11’ - T_train;
error22 = T_sim22’ - T_test;

%% 结果对比
figure
plot(T_train,‘rs-’,‘linewidth’,1)
hold on
plot(T_sim1,‘b-o’,‘linewidth’,1)
plot(T_sim11,‘k-s’,‘linewidth’,1)
xlabel(‘训练集样本编号’)
ylabel(‘训练集输出’)
title(‘BEH-RF和RF训练集输出’)
axis tight
legend(‘期望输出’,‘BEH-RF’,‘RF’)

⛄三、运行结果

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]仝卫国,郭超宇,赵如意.基于改进麻雀算法优化LSSVM的再循环箱浆液密度预测模型[J].电子测量技术. 2022,45(01)

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

这篇关于【RF回归预测】基于matlab蜂虎狩猎算法优化森林算法BEH-RF风电数据回归预测【含Matlab源码 3844期】的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/673987

相关文章

Vue3 的 shallowRef 和 shallowReactive:优化性能

大家对 Vue3 的 ref 和 reactive 都很熟悉,那么对 shallowRef 和 shallowReactive 是否了解呢? 在编程和数据结构中,“shallow”(浅层)通常指对数据结构的最外层进行操作,而不递归地处理其内部或嵌套的数据。这种处理方式关注的是数据结构的第一层属性或元素,而忽略更深层次的嵌套内容。 1. 浅层与深层的对比 1.1 浅层(Shallow) 定义

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

不懂推荐算法也能设计推荐系统

本文以商业化应用推荐为例,告诉我们不懂推荐算法的产品,也能从产品侧出发, 设计出一款不错的推荐系统。 相信很多新手产品,看到算法二字,多是懵圈的。 什么排序算法、最短路径等都是相对传统的算法(注:传统是指科班出身的产品都会接触过)。但对于推荐算法,多数产品对着网上搜到的资源,都会无从下手。特别当某些推荐算法 和 “AI”扯上关系后,更是加大了理解的难度。 但,不了解推荐算法,就无法做推荐系

基于MySQL Binlog的Elasticsearch数据同步实践

一、为什么要做 随着马蜂窝的逐渐发展,我们的业务数据越来越多,单纯使用 MySQL 已经不能满足我们的数据查询需求,例如对于商品、订单等数据的多维度检索。 使用 Elasticsearch 存储业务数据可以很好的解决我们业务中的搜索需求。而数据进行异构存储后,随之而来的就是数据同步的问题。 二、现有方法及问题 对于数据同步,我们目前的解决方案是建立数据中间表。把需要检索的业务数据,统一放到一张M

关于数据埋点,你需要了解这些基本知识

产品汪每天都在和数据打交道,你知道数据来自哪里吗? 移动app端内的用户行为数据大多来自埋点,了解一些埋点知识,能和数据分析师、技术侃大山,参与到前期的数据采集,更重要是让最终的埋点数据能为我所用,否则可怜巴巴等上几个月是常有的事。   埋点类型 根据埋点方式,可以区分为: 手动埋点半自动埋点全自动埋点 秉承“任何事物都有两面性”的道理:自动程度高的,能解决通用统计,便于统一化管理,但个性化定

使用SecondaryNameNode恢复NameNode的数据

1)需求: NameNode进程挂了并且存储的数据也丢失了,如何恢复NameNode 此种方式恢复的数据可能存在小部分数据的丢失。 2)故障模拟 (1)kill -9 NameNode进程 [lytfly@hadoop102 current]$ kill -9 19886 (2)删除NameNode存储的数据(/opt/module/hadoop-3.1.4/data/tmp/dfs/na

异构存储(冷热数据分离)

异构存储主要解决不同的数据,存储在不同类型的硬盘中,达到最佳性能的问题。 异构存储Shell操作 (1)查看当前有哪些存储策略可以用 [lytfly@hadoop102 hadoop-3.1.4]$ hdfs storagepolicies -listPolicies (2)为指定路径(数据存储目录)设置指定的存储策略 hdfs storagepolicies -setStoragePo

HDFS—存储优化(纠删码)

纠删码原理 HDFS 默认情况下,一个文件有3个副本,这样提高了数据的可靠性,但也带来了2倍的冗余开销。 Hadoop3.x 引入了纠删码,采用计算的方式,可以节省约50%左右的存储空间。 此种方式节约了空间,但是会增加 cpu 的计算。 纠删码策略是给具体一个路径设置。所有往此路径下存储的文件,都会执行此策略。 默认只开启对 RS-6-3-1024k

Hadoop集群数据均衡之磁盘间数据均衡

生产环境,由于硬盘空间不足,往往需要增加一块硬盘。刚加载的硬盘没有数据时,可以执行磁盘数据均衡命令。(Hadoop3.x新特性) plan后面带的节点的名字必须是已经存在的,并且是需要均衡的节点。 如果节点不存在,会报如下错误: 如果节点只有一个硬盘的话,不会创建均衡计划: (1)生成均衡计划 hdfs diskbalancer -plan hadoop102 (2)执行均衡计划 hd

康拓展开(hash算法中会用到)

康拓展开是一个全排列到一个自然数的双射(也就是某个全排列与某个自然数一一对应) 公式: X=a[n]*(n-1)!+a[n-1]*(n-2)!+...+a[i]*(i-1)!+...+a[1]*0! 其中,a[i]为整数,并且0<=a[i]<i,1<=i<=n。(a[i]在不同应用中的含义不同); 典型应用: 计算当前排列在所有由小到大全排列中的顺序,也就是说求当前排列是第