使用天鹰优化算法对变形监测数据进行优化时编写matlab代码出现问题

Question

在进行天鹰优化算法对变形监测数据的优化时出现了一些问题，不知道如何将优化后的数据与原始数据进行对比以及可视化，请问应该如何修改，原始代码是否存在问题？

popSize = 50; % 种群大小
maxIter = 100; % 最大迭代次数
dim = 10; % 变量维度
lb = -10; % 变量下界
ub = 10; % 变量上界
pop = lb + (ub - lb) * rand(popSize, dim); % 随机生成初始种群
fitness = zeros(popSize, 1); % 初始化适应度值
for i = 1:popSize
    fitness(i) = FitnessFunction(pop(i, :)); % 调用自定义的适应度函数计算适应度值
end
for iter = 1:maxIter
    % 更新天鹰位置
    for i = 1:popSize
        % 随机选择两个不同的天鹰
        idx = randperm(popSize, 2);
        eagle1 = pop(idx(1), :);
        eagle2 = pop(idx(2), :);
        
        % 更新当前天鹰位置
        pop(i, :) = eagle1 + rand(1, dim) .* (eagle1 - eagle2);
        
        % 边界处理
        pop(i, :) = max(pop(i, :), lb);
        pop(i, :) = min(pop(i, :), ub);
    end
    
    % 计算适应度函数
    for i = 1:popSize
        fitness(i) = FitnessFunction(pop(i, :));
    end
    
    % 更新全局最优解
    [bestFitness, bestIdx] = min(fitness);
    bestSolution = pop(bestIdx, :);
    
    % 显示当前迭代结果
    disp(['Iteration: ' num2str(iter) ', Best Fitness: ' num2str(bestFitness)]);
    disp(bestSolution);
end
function fitness = FitnessFunction(x)
    % 根据已知数据进行计算，返回适应度值
    % 例如，计算误差平方和作为适应度值
    yourTrueData=[0,0.2,-0.76,-0.66,-0.46,0.14,0,-0.2,-0.4,-0.2,1.1,1.3,1.4,0.8,0.9,0.8,0.7,0.6,0.7,0.5,0.7,0.4,-0.2,-0.1,-0.3,-0.2,-0.5,-0.2,-0.2,0.3,0.5,1.3,1.7,2.4,2.9,2.9,2.7,3.1,3.7,4.2,3.6,3.2,2.9,2.4,1.2,1.2,1,1,-0.2,0.1,-0.6,-1.2,-0.8,-1,-1.2];
    y_pred = x(:, 1); % 使用x作为参数进行预测
    y_true = yourTrueData; % 真实数据
    fitness = sum((y_pred - y_true).^2); % 误差平方和作为适应度值
end

Answer 1

参考通义千问和郭老师的小迷弟雅思莫了-编写提供，主要是为了帮助您快速解决问题，如下回答，您可以参考下，如有问题，评论区留言。

首先，根据你提供的代码，天鹰优化算法部分没有明显问题，但需要注意的是，在FitnessFunction函数中直接将所有参数（在变形监测数据优化问题中可能代表模型参数）赋值给了预测结果y_pred。通常情况下，你需要使用某种模型或函数将x与实际的变形监测数据关联起来进行预测。

为了对比优化前后数据并可视化，你可以：

1. 在迭代过程中保存最优解，并在结束后将其与原始数据进行比较：

% 初始化全局最优解和其适应度值
globalBestFitness = Inf;
globalBestSolution = [];

for iter = 1:maxIter
    % ...（其他代码不变）

    % 更新全局最优解
    if bestFitness < globalBestFitness
        globalBestFitness = bestFitness;
        globalBestSolution = pop(bestIdx, :);
    end

    % ...（其他代码不变）
end

% 输出最终全局最优解及其对应的预测值
disp(['Global Best Fitness: ' num2str(globalBestFitness)]);
disp('Global Best Solution:');
disp(globalBestSolution);

% 使用最优参数进行预测，并与原始数据对比
y_pred = YourPredictionFunction(globalBestSolution); % 根据你的模型定义预测函数
comparison = [yourTrueData y_pred];
disp('Comparison of True Data and Predicted Data:');
disp(comparison);

% 可视化原始数据和预测数据
figure;
plot(yourTrueData, '-o', 'MarkerSize', 5, 'LineWidth', 1.5, 'DisplayName', 'True Data');
hold on;
plot(y_pred, '-s', 'MarkerSize', 5, 'LineWidth', 1.5, 'DisplayName', 'Predicted Data');
legend('show');
xlabel('Data Index');
ylabel('Data Value');

1. 定义YourPredictionFunction，它接受最优参数作为输入，并返回对应的预测值。这个函数的具体形式取决于你的变形监测模型。

2. 在上述代码末尾添加了数据对比及可视化部分，将原始数据和最优解对应的预测数据绘制在同一张图上以方便观察两者之间的差异。