果蝇参数寻优FOA-LSSVM的完整程序

%%FOA-LSSVM
%数据准备
clc;clear all; close all;%清空数据变量
d=1:1:30;t=1:1:24;%6月份30天的整点负荷数据、气象数据、日期类型作为历史数据，1号到29号的数据作为训练数据30号的数据作为测试数据
format long g
A=xlsread（‘E:\博士\计算工具\仿真matlab模型\预测数据\7月预测数据\7月整点负荷监测.xls‘‘B2:Y32‘）;%导入7月份负荷数据
B=xlsread（‘E:\博士\计算工具\仿真matlab模型\预测数据\7月预测数据\7月气象\7月气温.xlsx‘‘B2:Y32‘）;%导入7月份温度数据
C=xlsread（‘E:\博士\计算工具\仿真matlab模型\预测数据\7月预测数据\7月气象\7月相对湿度.xlsx‘‘B2:Y32‘）;%导入7月份湿度数据
D=xlsread（‘E:\博士\计算工具\仿真matlab模型\预测数据\7月预测数据\7月气象\7月thi温湿指数.xlsx‘‘B2:Y32‘）;%导入7月份温湿指数数据
E=xlsread（‘E:\博士\计算工具\仿真matlab模型\预测数据\7月预测数据\7月气象\7月sd人体舒适度‘‘B2:Y32‘）;%导入7月份人体舒适度数据
%F=[0.3;0.3;0.1;0.1;0.1;0.1;0.2;0.2;0.1;0.1;0.1;0.1;0.1;0.2;0.2;0.1;0.1;0.1;0.1;0.1;0.2;0.2;0.1;0.1;0.1;0.1;0.1;0.2;0.2;0.1];
%F=[F F F F F F F F F F F F F F F F F F F F F F F F];%6月份日类型
%%-------------------------------------------------
%%----30号0时刻负荷预测模型
%导入数据
for j=1:24%列
Aj=A（23:30j）;%31日前8天0时刻负荷数据
Bj=B（23:30j）;%31日前8天0时刻温度数据
Cj=C（23:30j）;%31日前8天0时刻湿度数据
Dj=D（23:30j）;%31日前8天0时刻降水量数据
Ej=E（23:30j）;%30日前8天0时刻风力数据
aj=[A（3015:24） A（311:j）];%0时刻前10个时刻负荷数据
bj=[B（3015:24） B（311:j）];%0时刻前10个时刻温度数据
cj=[C（3015:24） C（311:j）];%0时刻前10个时刻湿度数据
dj=[D（3015:24） D（311:j）];%0时刻前10个时刻降水量数据
ej=[E（3015:24） E（311:j）];%0时刻前10个时刻风力数据
Lj=[Aj;aj‘];
Wj=[Bj;bj‘];
Sj=[Cj;cj‘];
Jj=[Dj;dj‘];
Fj=[Ej;ej‘];
trainj=[Lj Wj Sj Jj Fj]
train_outj = [Aj‘ aj]
testj=[A（31j） B（31j） C（31j） D（31j） E（31j）] 
test_outj = A（31j）
%%数据归一化
%%归一化方法1（利用libsvm工具箱函数归一化）
[train_datajtest_dataj]=scaleForSVM（trainjtestj01）
[train_resultjtest_resultjpstrain1]=scaleForSVM（train_outj‘test_outj‘01）
%% 参数初始化
%***初始果蝇群体位置
X_axis=rands（12）
Y_axis=rands（12）
maxgen=100%迭代次数
sizepop=30%种群规模

%%定义lssvm相关参数
type=‘f‘;
kernel = ‘RBF_kernel‘;
proprecess=‘proprecess‘;

%***果蝇寻优开始
%利用嗅觉寻找食物

for i=1:sizepop
%初始果蝇个体飞行距离
X（i:）=X_axis+20*rand（）-10
Y（i:）=Y_axis+20*rand（）-10
%求出与原点之距离
D（i1）=（X（i1）^2+Y（i1）^2）^0.5
D（i2）=（X（i2）^2+Y（i2）^2）^0.5
%味道浓度为距离倒数，先求出味道浓度判定值
Dist=max（D（:1））
B=Dist*（0.8-rand（））;
S（i1）=1/D（i1）+B
S（i2）=1/D（i2）+B
%设定LSSVM参数值
type=‘f‘;
kernel = ‘RBF_kernel‘;
proprecess=‘proprecess‘;
C=10*S（i1）%利用FOA调整参数C
loss=‘einsensitive‘
e=S（i2）%利用FOA调整参数e
% 计算初始适应度
    gam=D（i1）
     sig2=D（i2）
     model=initlssvm（train_datajtrain_resultjtypegamsig2kernelproprecess）;
     model=trainlssvm（model）;
     %求出训练集和测试集的预测值
     [train_predict_yjztmodel]=simlssvm（modeltrain_dataj）;
     [test_predict_yjztmodel]=simlssvm（modeltest_dataj）;
     %预测数据反归一化
     train_predictj=mapminmax（‘reverse‘train_predict_yj‘pstrain1）%训练集预测值
     test_predictj=mapminmax（‘reverse‘test_predict_yj‘pstrain1）  %测试集预测值
     %计算均方差
    trainmsej=sum（（train_predictj-train_outj）.^2）/length（train_resultj）
    testmsej=sum（（test_predictj-test_outj）.^2）/length（test_resultj）    
    fitness（i）=testmsej      %以测试集的预测值计算的均方差为适应度值
    end
     %根据初始味道浓度值寻找初始值