pytorch 粒子群粒子群算法优化lstm

转载

mob64ca14106f2f 2024-04-02 11:00:46

文章标签 pytorch 粒子群 matlab 深度学习开发语言迭代 文章分类 PyTorch 人工智能

⛄ 内容介绍

一种粒子群算法优化LSTM神经网络的行程时间预测方法,包括如下步骤:步骤S1:采集风电功率数据,进行数据归一化,按比例划分为训练集和测试集;步骤S2:采用粒子群算法优化LSTM神经网络预测模型的各个参数;步骤S3:输入粒子群算法优化好的参数,训练集,进行LSTM神经网络预测模型的迭代优化;步骤S4:利用已训练好的LSTM神经网络模型对测试集进行预测,并评估模型误差.本发明的方法寻优速度快,本发明方法对数据预测均方误差和均方根误差最小,模型减少了计算量,表现出更好的预测性能.

⛄ 部分代码

clc
clear all
close all
ParticleScope=[0.1,150;
               0.1,10];
ParticleSize=2;
SwarmSize=20;
LoopCount=12;
opt=zeros(LoopCount,3);
MeanAdapt=zeros(1,LoopCount);
OnLine=zeros(1,LoopCount);
OffLine=zeros(1,LoopCount);
%控制显示2维以下粒子维数的寻找最优的过程
% DrawObjGraphic(ParticleSize,ParticleScope,AdaptFunc(XX,YY));
[ParSwarm,OptSwarm]=InitSwarm(SwarmSize,ParticleSize,ParticleScope);
%开始更新算法的调用
for k=1:LoopCount
%显示迭代的次数：
disp('----------------------------------------------------------')
TempStr=sprintf('第 %g次迭代',k);
disp(TempStr);
disp('----------------------------------------------------------')
%调用一步迭代的算法
[ParSwarm,OptSwarm]=BaseStepPso(ParSwarm,OptSwarm,ParticleScope,0.9,0.4,LoopCount,k);
% if 2==ParticleSize
 % for ParSwarmRow=1:SwarmSize
 %   stem3(ParSwarm(ParSwarmRow,1),ParSwarm(ParSwarmRow,2),ParSwarm(ParSwarmRow,5),'r.','markersize',8);
 % end
 %end
t=OptSwarm(SwarmSize+1,1);
u=OptSwarm(SwarmSize+1,2);
YResult=AdaptFunc(t,u);
str=sprintf('%g步迭代的最优目标函数值%g',k,YResult);
disp(str);
%记录每一步的平均适应度
MeanAdapt(1,k)=mean(ParSwarm(:,2*ParticleSize+1));
end
%for循环结束标志
%记录最小与最大的平均适应度
MinMaxMeanAdapt=[min(MeanAdapt),max(MeanAdapt)];
%计算离线与在线性能
for k=1:LoopCount
 OnLine(1,k)=sum(MeanAdapt(1,1:k))/k;
 OffLine(1,k)=max(MeanAdapt(1,1:k));
end
for k=1:LoopCount
   OffLine(1,k)=sum(OffLine(1,1:k))/k;
end
%绘制离线性能与在线性能曲线
figure
hold on
title('离线性能曲线图');
xlabel('迭代次数');
ylabel('离线性能');
grid on
plot(OffLine);
figure
hold on
title('在线性能曲线图')
xlabel('迭代次数');
ylabel('在线性能');
grid on
plot(OnLine);
%记录本次迭代得到的最优结果
aa=OptSwarm(SwarmSize+1,1);
bb=OptSwarm(SwarmSize+1,2);
cc=AdaptFunc1(aa,bb);
Result=[aa,bb,cc];
disp(Result);