707 lines
31 KiB
Python
707 lines
31 KiB
Python
|
||
'''
|
||
欢迎关注《淘个代码》公众号。
|
||
如代码有问题，请公众号后台留言问题！不要问在吗在吗。
|
||
直接截图留言问题！
|
||
'''
|
||
# In[1]:
|
||
|
||
# 调用相关库
|
||
import os # 导入os模块，用于操作系统功能，比如环境变量
|
||
import math # 导入math模块，提供基本的数学功能
|
||
import pandas as pd # 导入pandas模块，用于数据处理和分析
|
||
import openpyxl
|
||
from math import sqrt # 从math模块导入sqrt函数，用于计算平方根
|
||
from numpy import concatenate # 从numpy模块导入concatenate函数，用于数组拼接
|
||
import matplotlib.pyplot as plt # 导入matplotlib.pyplot模块，用于绘图
|
||
import numpy as np # 导入numpy模块，用于数值计算
|
||
import tensorflow as tf # 导入tensorflow模块，用于深度学习
|
||
from sklearn.preprocessing import MinMaxScaler # 导入sklearn中的MinMaxScaler，用于特征缩放
|
||
from sklearn.preprocessing import StandardScaler # 导入sklearn中的StandardScaler，用于特征标准化
|
||
from sklearn.preprocessing import LabelEncoder # 导入sklearn中的LabelEncoder，用于标签编码
|
||
from sklearn.metrics import mean_squared_error # 导入sklearn中的mean_squared_error，用于计算均方误差
|
||
from tensorflow.keras.layers import * # 从tensorflow.keras.layers导入所有层，用于构建神经网络
|
||
from tensorflow.keras.models import * # 从tensorflow.keras.models导入所有模型，用于构建和管理模型
|
||
from sklearn.metrics import mean_squared_error, mean_absolute_error,r2_score # 导入额外的评估指标
|
||
from pandas import DataFrame # 从pandas导入DataFrame，用于创建和操作数据表
|
||
from pandas import concat # 从pandas导入concat函数，用于DataFrame的拼接
|
||
import keras.backend as K # 导入keras的后端接口
|
||
from scipy.io import savemat, loadmat # 从scipy.io导入savemat和loadmat，用于MATLAB文件的读写
|
||
from sklearn.neural_network import MLPRegressor # 从sklearn.neural_network导入MLPRegressor，用于创建多层感知器回归模型
|
||
from keras.callbacks import LearningRateScheduler # 从keras.callbacks导入LearningRateScheduler，用于调整学习率
|
||
from tensorflow.keras import Input, Model, Sequential # 从tensorflow.keras导入Input, Model和Sequential，用于模型构建
|
||
import mplcyberpunk
|
||
from qbstyles import mpl_style
|
||
import copy
|
||
# 导入copy模块，用于对象的复制。
|
||
import random
|
||
# 导入random模块，用于生成随机数。
|
||
from scipy.io import savemat, loadmat
|
||
# 从scipy.io模块导入savemat和loadmat函数，用于读写MATLAB格式的文件。
|
||
from numpy import concatenate
|
||
# 从numpy模块导入concatenate函数，用于数组的连接。
|
||
from matplotlib.pylab import mpl
|
||
import warnings
|
||
from prettytable import PrettyTable #可以优美的打印表格结果
|
||
warnings.filterwarnings("ignore") #取消警告
|
||
# 从matplotlib.pylab模块导入mpl，用于配置matplotlib的一些参数。
|
||
|
||
|
||
dataset=pd.read_csv("电力负荷预测数据1.csv",encoding='gb2312')
|
||
# 使用pandas模块的read_csv函数读取名为"农林牧渔.csv"的文件。
|
||
# 参数'encoding'设置为'gbk'，这通常用于读取中文字符，确保文件中的中文字符能够正确读取。
|
||
# 读取的数据被存储在名为'dataset'的DataFrame变量中。
|
||
print(dataset)#显示dataset数据
|
||
|
||
|
||
values = dataset.values[:,1:]
|
||
# 从dataset DataFrame中提取数据。
|
||
# dataset.values将DataFrame转换为numpy数组。
|
||
# [:,1:]表示选择所有行（:）和从第二列到最后一列（1:）的数据。
|
||
# 这样做通常是为了去除第一列，这在第一列是索引或不需要的数据时很常见。
|
||
|
||
|
||
|
||
# 确保所有数据是浮动的
|
||
values = values.astype('float32')
|
||
# 将values数组中的数据类型转换为float32。
|
||
# 这通常用于确保数据类型的一致性，特别是在准备输入到神经网络模型中时。
|
||
|
||
|
||
|
||
|
||
def data_collation(data, n_in, n_out, or_dim, scroll_window, num_samples):
|
||
res = np.zeros((num_samples,n_in*or_dim+n_out))
|
||
for i in range(0, num_samples):
|
||
h1 = values[scroll_window*i: n_in+scroll_window*i,0:or_dim]
|
||
h2 = h1.reshape( 1, n_in*or_dim)
|
||
h3 = values[n_in+scroll_window*(i) : n_in+scroll_window*(i)+n_out,-1].T
|
||
h4 = h3[np.newaxis, :]
|
||
h5 = np.hstack((h2,h4))
|
||
res[i,:] = h5
|
||
return res
|
||
# 关于此函数怎么用，下面详细举例介绍：
|
||
# 构造数据，这个函数可以实现单输入单输出，单输入多输出，多输入单输出，和多输入多输出。
|
||
# 举个例子：
|
||
# 假如原始数据为,其中务必使得数据前n-1列都为特征，最后一列为输出
|
||
# [0.74 0.8 0.23 750.75
|
||
# 0.74 0.87 0.15 716.94
|
||
# 0.74 0.87 0.15 712.77
|
||
# 0.74 0.8 0.15 684.86
|
||
# 0.74 0.8 0.15 728.79
|
||
# 0.72 0.87 0.08 742.81
|
||
# 0.71 0.99 0.16 751.3]
|
||
|
||
#（多输入多输出为例），假如n_in = 2，n_out=2，scroll_window=1
|
||
# 输入前2行数据的特征，预测未来2个时刻的数据，滑动窗口为1。
|
||
# 使用此函数后，数据会变成：
|
||
# 【0.74 0.8 0.23 750.75 0.74 0.87 0.15 716.94 712.77 684.86
|
||
# 0.74 0.87 0.15 716.94 0.74 0.87 0.15 712.77 684.86 728.79
|
||
# 0.74 0.87 0.15 712.77 0.74 0.8 0.15 684.86 728.79 742.81】
|
||
|
||
# 假如n_in = 2，n_out=1，scroll_window=2
|
||
# 输入前2行数据的特征，预测未来1个时刻的数据，滑动窗口为2。
|
||
# 使用此函数后，数据会变成：
|
||
# 【0.74 0.8 0.23 750.75 0.74 0.87 0.15 716.94 712.77
|
||
# 0.74 0.87 0.15 712.77 0.74 0.8 0.15 684.86 728.79
|
||
# 0.74 0.8 0.15 728.79 0.72 0.87 0.08 742.81 751.3】
|
||
#写到这里相比大家已经完全明白次函数的用法啦！欢迎关注《淘个代码》公众号！获取更多代码！
|
||
#单输入单输出，和单输入多输出也是这么个用法！单输入无非就是数据维度变低了而已。欢迎关注《淘个代码》公众号！获取更多代码！
|
||
|
||
|
||
|
||
# In[7]:
|
||
# 这里来个多特征输入，单步预测的案例
|
||
n_in = 5 # 输入前5行的数据
|
||
n_out = 2 # 预测未来2步的数据
|
||
or_dim = values.shape[1] # 记录特征数据维度
|
||
num_samples = 2000 # 可以设定从数据中取出多少个点用于本次网络的训练与测试。
|
||
scroll_window = 1 #如果等于1，下一个数据从第二行开始取。如果等于2，下一个数据从第三行开始取
|
||
res = data_collation(values, n_in, n_out, or_dim, scroll_window, num_samples)
|
||
# 把数据集分为训练集和测试集
|
||
values = np.array(res)
|
||
# 将前面处理好的DataFrame（data）转换成numpy数组，方便后续的数据操作。
|
||
|
||
n_train_number = int(num_samples * 0.85)
|
||
# 计算训练集的大小。
|
||
# 设置80%作为训练集
|
||
# int(...) 确保得到的训练集大小是一个整数。
|
||
# 先划分数据集，在进行归一化，这才是正确的做法！
|
||
Xtrain = values[:n_train_number, :n_in*or_dim]
|
||
Ytrain = values[:n_train_number, n_in*or_dim:]
|
||
|
||
|
||
Xtest = values[n_train_number:, :n_in*or_dim]
|
||
Ytest = values[n_train_number:, n_in*or_dim:]
|
||
|
||
# 对训练集和测试集进行归一化
|
||
m_in = MinMaxScaler()
|
||
vp_train = m_in.fit_transform(Xtrain) # 注意fit_transform() 和 transform()的区别
|
||
vp_test = m_in.transform(Xtest) # 注意fit_transform() 和 transform()的区别
|
||
|
||
m_out = MinMaxScaler()
|
||
vt_train = m_out.fit_transform(Ytrain) # 注意fit_transform() 和 transform()的区别
|
||
vt_test = m_out.transform(Ytest) # 注意fit_transform() 和 transform()的区别
|
||
|
||
|
||
|
||
# In[10]:
|
||
|
||
vp_train = vp_train.reshape((vp_train.shape[0], n_in, or_dim))
|
||
# 将训练集的输入数据vp_train重塑成三维格式。
|
||
# 结果是一个三维数组，其形状为[样本数量, 时间步长, 特征数量]。
|
||
|
||
vp_test = vp_test.reshape((vp_test.shape[0], n_in, or_dim))
|
||
# 将训练集的输入数据vp_test重塑成三维格式。
|
||
# 结果是一个三维数组，其形状为[样本数量, 时间步长, 特征数量]。
|
||
|
||
|
||
# In[11]:
|
||
|
||
|
||
from keras.layers import Dense, Activation, Dropout, LSTM, Bidirectional, LayerNormalization, Input
|
||
# 从keras.layers模块导入多种层类型。
|
||
# Dense是用于创建全连接层的类。
|
||
# Activation是用于添加激活函数的层。
|
||
# Dropout是用于减少过拟合的丢弃层。
|
||
# LSTM是长短时记忆网络层，用于处理序列数据。
|
||
# Bidirectional是用于创建双向LSTM层的包装器。
|
||
# LayerNormalization是用于层级归一化的类。
|
||
# Input是用于模型输入层的函数。
|
||
|
||
from tensorflow.keras.models import Model
|
||
# 从tensorflow.keras.models模块导入Model类。
|
||
# Model是用于创建Keras函数式API模型的类。
|
||
|
||
from sklearn.model_selection import KFold
|
||
# 从sklearn.model_selection模块导入KFold类。
|
||
# KFold是一种交叉验证方法，用于评估模型的泛化能力。
|
||
|
||
|
||
# In[12]:
|
||
|
||
|
||
|
||
def attention_layer(inputs, single_attention_vector=False):
|
||
# 注意力机制层的实现
|
||
time_steps = K.int_shape(inputs)[1] # 获取输入的时间步长
|
||
input_dim = K.int_shape(inputs)[2] # 获取输入特征的维度
|
||
a = Permute((2, 1))(inputs) # 将时间步长和特征维度互换，为了后续的处理
|
||
a = Reshape((input_dim, time_steps))(a) # 重塑形状，以适应Dense层
|
||
a = Dense(time_steps, activation='softmax')(a) # 使用Dense层和softmax激活函数计算注意力权重
|
||
if single_attention_vector:
|
||
a = Lambda(lambda x: K.mean(x, axis=1), name='dim_reduction')(a) # 如需，减少维度
|
||
a = RepeatVector(input_dim)(a) # 重复向量以匹配输入的维度
|
||
a_probs = Permute((2, 1), name='attention_vec')(a) # 再次互换维度，将其变回原来的形状
|
||
output_attention_mul = Multiply()([inputs, a_probs]) # 将注意力权重应用于输入
|
||
return output_attention_mul
|
||
|
||
def lstm_attention_model():
|
||
# 定义一个包含LSTM和注意力机制的模型
|
||
inputs = Input(shape=(vp_train.shape[1], vp_train.shape[2]))
|
||
# 输入层，定义输入数据的形状
|
||
lstm_out = LSTM(20, return_sequences=True)(inputs)
|
||
# LSTM层，128个神经元，return_sequences=True使得每个时间步的输出都保留
|
||
attention_mul = attention_layer(lstm_out)
|
||
# 应用自定义的注意力层
|
||
attention_flatten = Flatten()(attention_mul)
|
||
# 使用Flatten层将数据展平，以便传递给Dense层
|
||
outputs = Dense(vt_train.shape[1])(attention_flatten)
|
||
# 全连接层，输出维度与vt_train的形状一致
|
||
|
||
model = Model(inputs=[inputs], outputs=outputs)
|
||
# 创建模型，定义输入和输出
|
||
model.compile(loss='mse', optimizer='Adam')
|
||
# 编译模型，使用均方误差作为损失函数，优化器为Adam
|
||
model.summary()
|
||
# 输出模型的总结信息
|
||
|
||
return model
|
||
|
||
model = lstm_attention_model()
|
||
|
||
|
||
history = model.fit(vp_train, vt_train, batch_size=32, epochs=20, validation_split=0.25, verbose=2)
|
||
# 训练模型。指定批处理大小为16，训练轮数为15，将25%的数据用作验证集。
|
||
# verbose=2表示在训练过程中会输出详细信息。
|
||
|
||
|
||
# In[13]:
|
||
|
||
plt.figure()
|
||
# 绘制历史数据
|
||
plt.plot(history.history['loss'], label='train')
|
||
# 绘制训练过程中的损失曲线。
|
||
# history.history['loss']获取训练集上每个epoch的损失值。
|
||
# 'label='train''设置该曲线的标签为'train'。
|
||
|
||
plt.plot(history.history['val_loss'], label='test')
|
||
# 绘制验证过程中的损失曲线。
|
||
# history.history['val_loss']获取验证集上每个epoch的损失值。
|
||
# 'label='test''设置该曲线的标签为'test'。
|
||
plt.legend()
|
||
# 显示图例，方便识别每条曲线代表的数据集。
|
||
plt.show()
|
||
# 展示绘制的图像。
|
||
|
||
|
||
# In[14]:
|
||
# 作出预测
|
||
yhat = model.predict(vp_test)
|
||
# 使用模型对测试集的输入特征(vp_test)进行预测。
|
||
# yhat是模型预测的输出值。
|
||
|
||
predicted_data = m_out.inverse_transform(yhat) # 反归一化
|
||
|
||
|
||
|
||
|
||
def mape(y_true, y_pred):
|
||
return np.mean(np.abs((y_pred - y_true) / y_true))
|
||
|
||
|
||
print('MSE:', mean_squared_error(Ytest, predicted_data))
|
||
|
||
print('RMSE:', np.sqrt(mean_squared_error(Ytest, predicted_data)))
|
||
|
||
print('MAE:', mean_absolute_error(Ytest, predicted_data))
|
||
|
||
print('MAPE:', mape(Ytest, predicted_data))
|
||
|
||
print('R2-score:',r2_score(Ytest, predicted_data))
|
||
|
||
|
||
# In[16]:
|
||
|
||
|
||
|
||
|
||
|
||
|
||
'''*****************************以上为标准LSTM-Attention程序*******************************************'''
|
||
|
||
|
||
|
||
'''*****************************接下来采用DBO优化LSTM-Attention*****************************************'''
|
||
|
||
'''
|
||
进行适应度计算,以验证集均方差为适应度函数，目的是找到一组超参数 使得网络的误差最小
|
||
'''
|
||
# 这里优化了学习率和lstm神经元个数两个参数
|
||
def fun(pop, P, T, Pt, Tt):
|
||
# 定义适应度函数，pop是一个包含超参数的数组。
|
||
tf.random.set_seed(0)
|
||
# 设置TensorFlow的随机种子以确保实验的可重复性。
|
||
alpha = pop[0] # 学习率
|
||
# 从pop数组中获取学习率。
|
||
hidden_nodes0 = int(pop[1]) # 第一隐含层神经元，从pop数组中获取第一隐含层神经元的数量。
|
||
# num_epochs = int(pop[2])#迭代次数
|
||
# batch_size = int(pop[3])# batchsize
|
||
# hidden_nodes = int(pop[4])#第二隐含层神经元
|
||
|
||
inputs = Input(shape=(vp_train.shape[1], vp_train.shape[2]))
|
||
# 输入层，定义输入数据的形状
|
||
lstm_out = LSTM(hidden_nodes0, return_sequences=True)(inputs)
|
||
# LSTM层，128个神经元，return_sequences=True使得每个时间步的输出都保留
|
||
|
||
attention_mul = attention_layer(lstm_out)
|
||
# 应用自定义的注意力层
|
||
attention_flatten = Flatten()(attention_mul)
|
||
# 使用Flatten层将数据展平，以便传递给Dense层
|
||
outputs = Dense(vt_train.shape[1])(attention_flatten)
|
||
# 全连接层，输出维度与vt_train的形状一致
|
||
model = Model(inputs=[inputs], outputs=outputs)
|
||
# 创建模型，定义输入和输出
|
||
model.compile(optimizer=tf.keras.optimizers.Adam(learning_rate=alpha), loss='mse')
|
||
# 编译模型，使用Adam优化器，学习率为alpha，损失函数为均方误差。
|
||
# model.compile(loss='mse',optimizer='Adam')
|
||
# model.summary()
|
||
# # 输出模型的总结信息
|
||
# model.fit(vp_train, vt_train, batch_size=32, epochs=50, validation_split=0.25, verbose=2)
|
||
model.fit(vp_train, vt_train, epochs=30, batch_size=32, validation_data=(vp_test, vt_test),
|
||
verbose=0, shuffle=False)
|
||
# 训练模型，设置迭代次数为30，批处理大小为32，使用vt_train和vt_test作为验证数据。
|
||
|
||
test_pred = model.predict(vp_test)
|
||
# 使用模型对测试数据进行预测。
|
||
|
||
MApe_error = mape(vt_test, test_pred)
|
||
# 计算预测值和实际值之间的均方误差。
|
||
|
||
return MApe_error,test_pred
|
||
# 返回计算得到的均方误差。
|
||
|
||
|
||
# In[12]:
|
||
|
||
|
||
'''边界检查函数'''
|
||
def boundary(pop, lb, ub):
|
||
# 定义一个边界检查函数，确保种群中的个体不超出预定义的边界。
|
||
pop = pop.flatten()
|
||
lb = lb.flatten()
|
||
ub = ub.flatten()
|
||
# 将输入参数扁平化，以便进行元素级操作。
|
||
|
||
# 防止跳出范围,除学习率之外 其他的都是整数
|
||
pop = [int(pop[i]) if i > 0 else pop[i] for i in range(lb.shape[0])]
|
||
# 将除了学习率以外的参数转换为整数。
|
||
|
||
for i in range(len(lb)):
|
||
if pop[i] > ub[i] or pop[i] < lb[i]:
|
||
# 检查个体是否超出边界。
|
||
if i == 0:
|
||
pop[i] = (ub[i] - lb[i]) * np.random.rand() + lb[i]
|
||
# 如果是学习率，则在边界内随机选择一个值。
|
||
else:
|
||
pop[i] = np.random.randint(lb[i], ub[i])
|
||
# 对于整数参数，随机选择一个边界内的整数值。
|
||
|
||
return pop
|
||
# 返回修正后的个体。
|
||
|
||
''' 种群初始化函数 '''
|
||
def initial(pop, dim, ub, lb):
|
||
# 定义一个初始化种群的函数。
|
||
X = np.zeros([pop, dim])
|
||
# 创建一个形状为[种群大小, 维度]的零矩阵。
|
||
|
||
for i in range(pop):
|
||
for j in range(dim):
|
||
X[i, j] = np.random.rand() * (ub[j] - lb[j]) + lb[j]
|
||
# 在边界内随机初始化每个个体的每个参数。
|
||
|
||
return X, lb, ub
|
||
# 返回初始化后的种群及边界。
|
||
|
||
'''计算适应度函数'''
|
||
def CaculateFitness(X, fun, P, T, Pt, Tt):
|
||
# 定义一个计算适应度的函数。
|
||
pop = X.shape[0]
|
||
# 获取种群的大小。
|
||
fitness = np.zeros([pop, 1])
|
||
# 创建一个形状为[种群大小, 1]的零矩阵来存储适应度。
|
||
|
||
for i in range(pop):
|
||
fitness[i],pre = fun(X[i, :], P, T, Pt, Tt)
|
||
# 对每个个体调用适应度函数进行计算。
|
||
|
||
return fitness
|
||
# 返回计算得到的适应度。
|
||
|
||
'''适应度排序'''
|
||
def SortFitness(Fit):
|
||
# 定义一个对适应度进行排序的函数。
|
||
fitness = np.sort(Fit, axis=0)
|
||
# 按适应度大小进行排序。
|
||
index = np.argsort(Fit, axis=0)
|
||
# 获取排序后的索引。
|
||
|
||
return fitness, index
|
||
# 返回排序后的适应度和索引。
|
||
|
||
'''根据适应度对位置进行排序'''
|
||
def SortPosition(X, index):
|
||
# 定义一个根据适应度排序位置的函数。
|
||
Xnew = np.zeros(X.shape)
|
||
# 创建一个与X形状相同的零矩阵。
|
||
|
||
for i in range(X.shape[0]):
|
||
Xnew[i, :] = X[index[i], :]
|
||
# 根据适应度的排序结果重新排列位置。
|
||
|
||
return Xnew
|
||
# 返回排序后的位置。
|
||
|
||
|
||
# In[13]:
|
||
|
||
|
||
'''蜣螂优化算法'''
|
||
def DBO(P, T, Pt, Tt):
|
||
# 参数设置
|
||
pop = 10 # pop种群数量 #MaxIter和pop这两个参数设置的越大 相对来说寻优出来适应度越好效果越好 ，但是算法运行花的时间就越多
|
||
MaxIter = 20 # MaxIter最大迭代次数
|
||
PballRolling = 0.2 # 滚球蜣螂比例
|
||
PbroodBall = 0.4 # 产卵蜣螂比例
|
||
PSmall = 0.2 # 小蜣螂比例
|
||
Pthief = 0.2 # 偷窃蜣螂比例
|
||
BallRollingNum = int(pop * PballRolling) # 滚球蜣螂数量
|
||
BroodBallNum = int(pop * PbroodBall) # 产卵蜣螂数量
|
||
SmallNum = int(pop * PSmall) # 小蜣螂数量
|
||
ThiefNum = int(pop * Pthief) # 偷窃蜣螂数量
|
||
dim = 2 # 搜索维度,
|
||
# 优化了两个参数 学习率和神经元个数 Lb和Ub分别为寻优范围上下限
|
||
# 第一个是学习率[0.001 0.01]
|
||
# 第二个是神经元个数[10-100]
|
||
lb = np.array([0.001, 10]).reshape(-1, 1)
|
||
ub = np.array([0.01, 100]).reshape(-1, 1)
|
||
|
||
X, lb, ub = initial(pop, dim, ub, lb) # 初始化种群
|
||
# 调用initial函数来初始化种群。
|
||
# 参数pop是种群大小，dim是搜索空间的维度，ub和lb分别是搜索空间的上界和下界。
|
||
# 函数返回初始化的种群X以及更新后的上下界。
|
||
for i in range(pop):
|
||
X[i, :] = boundary(X[i, :], lb, ub)
|
||
# 遍历种群中的每一个个体。
|
||
# 调用boundary函数来确保个体的参数在定义的边界内。
|
||
# boundary函数根据上下界lb和ub对个体X[i, :]的参数进行调整。
|
||
fitness = CaculateFitness(X, fun, P, T, Pt, Tt)
|
||
# 调用CaculateFitness函数来计算种群中每个个体的适应度。
|
||
# 参数X是种群，fun是计算适应度的函数，P, T, Pt, Tt是fun函数所需的额外参数。
|
||
# 函数返回一个数组，包含了种群中每个个体的适应度。
|
||
X, lb, ub = initial(pop, dim, ub, lb) # 初始化种群
|
||
# 记录全局最优
|
||
minIndex = np.argmin(fitness)
|
||
# 找到当前适应度最小值的索引，即找到当前最优解的位置。
|
||
GbestScore = copy.copy(fitness[minIndex])
|
||
# 复制当前最优适应度值到GbestScore。
|
||
GbestPositon = np.zeros([1, dim])
|
||
# 初始化全局最优位置矩阵，形状为1行dim列。
|
||
GbestPositon[0, :] = copy.copy(X[minIndex, :])
|
||
# 将当前最优解的位置复制到全局最优位置矩阵。
|
||
Curve = np.zeros([MaxIter, 1])
|
||
# 初始化一个记录每次迭代全局最优适应度值的矩阵。
|
||
result = np.zeros([MaxIter, dim])
|
||
# 初始化一个记录每次迭代全局最优位置的矩阵。
|
||
Xl = copy.deepcopy(X) # 用于记录X(t-1)
|
||
# 深拷贝当前种群，用于记录上一代种群的位置。
|
||
|
||
# 记录当前代种群
|
||
cX = copy.deepcopy(X)
|
||
# 深拷贝当前种群，用于在迭代过程中更新种群的位置。
|
||
cFit = copy.deepcopy(fitness)
|
||
# 深拷贝当前适应度值，用于在迭代过程中更新种群的适应度。
|
||
|
||
for t in range(MaxIter):
|
||
print("第" + str(t) + "次迭代")
|
||
# 开始迭代，打印当前迭代次数。
|
||
|
||
# 蜣螂滚动
|
||
# 获取种群最差值
|
||
maxIndex = np.argmax(fitness)# 找到当前种群中适应度最差的个体的索引。
|
||
Wort = copy.copy(X[maxIndex, :])# 复制最差个体的位置。
|
||
r2 = np.random.random()# 生成一个随机数，用于后续决策。
|
||
for i in range(0, BallRollingNum):# 遍历所有的滚球蜣螂。
|
||
if r2 < 0.9:# 如果随机数小于0.9，执行一种滚动策略。
|
||
if np.random.random() > 0.5:
|
||
alpha = 1
|
||
else:
|
||
alpha = -1
|
||
# 随机选择一个方向。
|
||
b = 0.3
|
||
k = 0.1# 设置滚动系数b和k。
|
||
X[i, :] = cX[i, :] + b * np.abs(cX[i, :] - Wort) + alpha * k * Xl[i, :]# 根据滚球策略更新位置。
|
||
else:# 如果随机数大于或等于0.9，执行另一种滚动策略。
|
||
theta = np.random.randint(180)# 随机生成一个角度。
|
||
if theta == 0 or theta == 90 or theta == 180:
|
||
X[i, :] = copy.copy(cX[i, :])# 如果角度为0、90或180度，保持位置不变。
|
||
else:
|
||
theta = theta * np.pi / 180# 将角度转换为弧度。
|
||
X[i, :] = cX[i, :] + np.tan(theta) * np.abs(cX[i, :] - Xl[i, :])# 根据另一种滚动策略更新位置。
|
||
X[i, :] = boundary(X[i, :], lb, ub)# 使用边界函数确保位置在可行域内。
|
||
fitness[i],pre = fun(X[i, :],P,T,Pt,Tt)# 重新计算适应度。
|
||
if fitness[i] < GbestScore:# 如果新的适应度比全局最优还好，更新全局最优。
|
||
GbestScore = copy.copy(fitness[i])
|
||
GbestPositon[0, :] = copy.copy(X[i, :])
|
||
# 当前迭代最优
|
||
minIndex = np.argmin(fitness)# 找到当前适应度最小的个体索引。
|
||
GbestB = copy.copy(X[minIndex, :])# 将当前迭代最优位置复制到GbestB。
|
||
|
||
# 蜣螂产卵
|
||
R = 1 - t / MaxIter# 计算衰减因子R，随着迭代次数增加而减小
|
||
X1 = GbestB * (1 - R)
|
||
X2 = GbestB * (1 + R)
|
||
# 计算产卵区域的上下界
|
||
Lb = np.zeros(dim)
|
||
Ub = np.zeros(dim)
|
||
# 初始化局部搜索空间的上下界
|
||
for j in range(dim):
|
||
Lb[j] = max(X1[j], lb[j, 0])
|
||
Ub[j] = min(X2[j], ub[j, 0])
|
||
# 计算每个维度的局部搜索空间上下界
|
||
for i in range(BallRollingNum, BallRollingNum + BroodBallNum):
|
||
b1 = np.random.random()
|
||
b2 = np.random.random()
|
||
# 生成两个随机数。
|
||
X[i, :] = GbestB + b1 * (cX[i, :] - Lb) + b2 * (cX[i, :] - Ub)# 根据产卵行为更新位置
|
||
X[i, :] = boundary(X[i, :], lb, ub)# 确保更新后的位置在定义的边界内
|
||
fitness[i],pre = fun(X[i, :],P,T,Pt,Tt)# 重新计算适应度。
|
||
if fitness[i] < GbestScore:
|
||
GbestScore = copy.copy(fitness[i])
|
||
GbestPositon[0, :] = copy.copy(X[i, :])# 如果找到更好的解，更新全局最优。
|
||
# 小蜣螂更新
|
||
R = 1 - t / MaxIter# 重新计算衰减因子R。
|
||
X1 = GbestPositon[0, :] * (1 - R)
|
||
X2 = GbestPositon[0, :] * (1 + R)
|
||
# 计算探索区域的上下界。
|
||
|
||
Lb = np.zeros(dim)
|
||
Ub = np.zeros(dim)
|
||
# 重新初始化局部搜索空间的上下界。
|
||
for j in range(dim):
|
||
Lb[j] = max(X1[j], lb[j, 0])
|
||
Ub[j] = min(X2[j], ub[j, 0])
|
||
# 计算每个维度的局部搜索空间上下界。
|
||
for i in range(BallRollingNum + BroodBallNum, BallRollingNum + BroodBallNum + SmallNum):
|
||
C1 = np.random.random([1, dim])
|
||
C2 = np.random.random([1, dim])
|
||
# 生成两个随机数
|
||
X[i, :] = GbestPositon[0, :] + C1 * (cX[i, :] - Lb) + C2 * (cX[i, :] - Ub)# 根据小蜣螂探索行为更新位置
|
||
X[i, :] = boundary(X[i, :], lb, ub)# 确保更新后的位置在定义的边界内。
|
||
fitness[i],pre = fun(X[i, :],P,T,Pt,Tt)# 重新计算适应度。
|
||
if fitness[i] < GbestScore:
|
||
GbestScore = copy.copy(fitness[i])
|
||
GbestPositon[0, :] = copy.copy(X[i, :])# 如果找到更好的解，更新全局最优
|
||
# 当前迭代最优
|
||
minIndex = np.argmin(fitness)# 找到当前适应度最小的个体索引。
|
||
GbestB = copy.copy(X[minIndex, :])# 将当前迭代最优位置复制到GbestB。
|
||
# 偷窃蜣螂更新
|
||
for i in range(pop - ThiefNum, pop):# 遍历所有的偷窃蜣螂。
|
||
g = np.random.randn()# 生成一个标准正态分布的随机数。
|
||
S = 0.5 # 设置偷窃蜣螂的步长系数。
|
||
X[i, :] = GbestPositon[0, :] + g * S * (np.abs(cX[i, :] - GbestB) + np.abs(cX[i, :] - GbestPositon[0, :]))# 根据偷窃蜣螂的行为规则更新位置。
|
||
X[i, :] = boundary(X[i, :], lb, ub)# 确保更新后的位置在定义的边界内。
|
||
fitness[i],pre = fun(X[i, :],P,T,Pt,Tt)# 重新计算适应度。
|
||
if fitness[i] < GbestScore:# 如果找到更好的解，更新全局最优。
|
||
GbestScore = copy.copy(fitness[i])
|
||
GbestPositon[0, :] = copy.copy(X[i, :])
|
||
# 记录t代种群
|
||
Xl = copy.deepcopy(cX)# 保存当前代种群的位置，以便在下一代中使用。
|
||
# 更新当前代种群
|
||
for i in range(pop):# 遍历种群中的每一个个体。
|
||
if fitness[i] < cFit[i]: # 如果个体的新适应度比之前记录的适应度好，则更新。
|
||
cFit[i] = copy.copy(fitness[i])
|
||
cX[i, :] = copy.copy(X[i, :])
|
||
|
||
Curve[t] = GbestScore# 记录当前代的全局最优适应度。
|
||
result[t, :] = GbestPositon# 记录当前代的全局最优位置。
|
||
print('第',t,'代寻优最小MAPE是：',GbestScore)
|
||
return GbestPositon, Curve, result# 返回全局最优位置、每代最优适应度值和每代全局最优位置。
|
||
|
||
|
||
# In[14]:
|
||
|
||
|
||
# 开始优化参数
|
||
best, trace, result = DBO(vp_train, vt_train, vp_test, vt_test)
|
||
# 调用DBO函数进行优化。传入训练和测试数据集，返回最优参数、每次迭代的适应度跟踪和每次迭代的最优结果。
|
||
|
||
# 保存优化结果
|
||
savemat('dbo_LSTM_Attention_para.mat', {'trace': trace, 'best': best, 'result': result})
|
||
# 将优化结果保存到MAT文件中。'trace'记录每次迭代的适应度值，'best'是最优参数，'result'是每次迭代的最优结果。
|
||
|
||
print("LSTM-Attention最优学习率、最佳神经元的参数分别为：", [int(best[i]) if i > 0 else best[i] for i in range(len(best))])
|
||
# 打印最优学习率和LSTM层神经元的数量。对于非学习率参数，将其转换为整数。
|
||
|
||
# 画图
|
||
mpl.rcParams['font.sans-serif'] = ['SimHei'] # 显示中文
|
||
mpl.rcParams['axes.unicode_minus'] = False # 显示负号
|
||
plt.figure(figsize=(6, 4), dpi=500)
|
||
# 创建一个绘图窗口，设置大小和分辨率。
|
||
plt.plot(trace, 'r', linestyle="--", linewidth=0.5)
|
||
# 绘制适应度跟踪曲线，颜色为红色，线型为虚线，线宽为0.5。
|
||
#plt.xticks(list(range(0, 35, 5)))
|
||
# 设置x轴的刻度（如果需要）。
|
||
plt.xlabel('迭代次数', fontsize=10)
|
||
# 设置x轴标签为“迭代次数”。
|
||
plt.ylabel('适应度值', fontsize=10)
|
||
# 设置y轴标签为“适应度值”。
|
||
plt.show()
|
||
# 显示绘制的图形。
|
||
|
||
|
||
'''
|
||
# ………………………………………………………………利用蜣螂优化的参数建模……………………………………………………………………………………
|
||
'''
|
||
tf.random.set_seed(0)# 设置TensorFlow的随机种子，以确保实验的可重复性。
|
||
np.random.seed(0)# 设置numpy的随机种子。
|
||
pop=loadmat('dbo_LSTM_Attention_para.mat')['best'].reshape(-1,)
|
||
|
||
|
||
ffit,DBO_LA_pred = fun(pop,vp_train, vt_train, vp_test, vt_test)
|
||
# 这里的ffit后面用不到
|
||
DBO_predicted_data = m_out.inverse_transform(DBO_LA_pred) # 反归一化
|
||
|
||
#%%
|
||
## 画结果图
|
||
from matplotlib import rcParams
|
||
config = {
|
||
"font.family": 'serif',
|
||
"font.size": 10,# 相当于小四大小
|
||
"mathtext.fontset": 'stix',#matplotlib渲染数学字体时使用的字体，和Times New Roman差别不大
|
||
"font.serif": ['Times New Roman'],#Times New Roman
|
||
'axes.unicode_minus': False # 处理负号，即-号
|
||
}
|
||
rcParams.update(config)
|
||
|
||
|
||
plt.rcParams['axes.unicode_minus'] = False
|
||
# 设置matplotlib的配置，用来正常显示负号。
|
||
|
||
# 使用赛博朋克风样式
|
||
plt.style.use('cyberpunk')
|
||
plt.figure(figsize=(10,2),dpi=300)
|
||
# 创建一个图形对象，并设置大小为10x2英寸，分辨率为300dpi。
|
||
|
||
x = range(1, len(predicted_data) + 1)
|
||
# 创建x轴的值，从1到实际值列表的长度。
|
||
|
||
plt.xticks(x[::int((len(predicted_data)+1)/20)])
|
||
# 设置x轴的刻度，每几个点显示一个刻度。
|
||
|
||
plt.tick_params(labelsize=5) # 改变刻度字体大小
|
||
# 设置刻度标签的字体大小。
|
||
|
||
|
||
plt.plot(x, DBO_predicted_data, linestyle="-.",linewidth=0.5, label='DBO-LSTM-Attention')
|
||
# 绘制预测值的折线图，线型为虚线，线宽为0.5，标签为'predict'。
|
||
|
||
plt.plot(x, predicted_data, linestyle="--",linewidth=0.5, label='LSTM-Attention')
|
||
# 绘制预测值的折线图，线型为虚线，线宽为0.5，标签为'predict'。
|
||
|
||
plt.plot(x, Ytest, linestyle="-", linewidth=0.5,label='Real')
|
||
# 绘制实际值的折线图，线型为直线，线宽为0.5，标签为'Real'。
|
||
|
||
plt.rcParams.update({'font.size': 5}) # 改变图例里面的字体大小
|
||
# 更新图例的字体大小。
|
||
|
||
plt.legend(loc='upper right', frameon=False)
|
||
# 显示图例，位置在图形的右上角，没有边框。
|
||
|
||
plt.xlabel("Sample points", fontsize=5)
|
||
# 设置x轴标签为"样本点"，字体大小为5。
|
||
|
||
plt.ylabel("value", fontsize=5)
|
||
# 设置y轴标签为"值"，字体大小为5。
|
||
|
||
plt.title(f"Prediction results\nLSTM-Attention,MSE: {mape(Ytest, predicted_data)*100} %\nDBO-LSTM-Attention,MSE: {mape(Ytest, DBO_predicted_data)*100} %")
|
||
# plt.xlim(xmin=600, xmax=700) # 显示600-1000的值 局部放大有利于观察
|
||
# 如果需要，可以取消注释这行代码，以局部放大显示600到700之间的值。
|
||
|
||
# plt.savefig('figure/预测结果图.png')
|
||
# 如果需要，可以取消注释这行代码，以将图形保存为PNG文件。
|
||
|
||
plt.show()
|
||
# 显示图形。
|
||
|
||
|
||
print('LSTM-Attention,MSE:', mean_squared_error(Ytest, predicted_data))
|
||
|
||
print('LSTM-Attention,RMSE:', np.sqrt(mean_squared_error(Ytest, predicted_data)))
|
||
|
||
print('LSTM-Attention,MAE:', mean_absolute_error(Ytest, predicted_data))
|
||
|
||
print('LSTM-Attention,MAPE:', mape(Ytest, predicted_data))
|
||
|
||
print('LSTM-Attention,R2-score:',r2_score(Ytest, predicted_data))
|
||
|
||
print('DBO-LSTM-Attention,MSE:', mean_squared_error(Ytest, DBO_predicted_data))
|
||
|
||
print('DBO-LSTM-Attention,RMSE:', np.sqrt(mean_squared_error(Ytest, DBO_predicted_data)))
|
||
|
||
print('DBO-LSTM-Attention,MAE:', mean_absolute_error(Ytest, DBO_predicted_data))
|
||
|
||
print('DBO-LSTM-Attention,MAPE:', mape(Ytest, DBO_predicted_data))
|
||
|
||
print('DBO-LSTM-Attention,R2-score:',r2_score(Ytest, DBO_predicted_data)) |