使用天鹰优化算法对变形监测数据进行优化时编写matlab代码可视化问题

Question

使用天鹰优化算法进行变形监测数据的优化时，无法通过预测算法将输入的一系列变形监测的原始数据生成逐个对应的调整过的预测值，而只生成了一个单独的y_pred，请问应该如何调整，使得预测数据合理，并实现原始数据与预测数据对比的可视化？

globalBestFitness = Inf;
globalBestSolution = [];
bestFitness = Inf; % 初始化当前最优解的适应度值
bestSolution = []; % 初始化当前最优解

popSize = 50; % 种群大小
maxIter = 100; % 最大迭代次数
TrueData=[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];
dim = 2; % 固定为2，因为线性模型参数只有斜率和截距两个
lb = -10; % 变量下界
ub = 10; % 变量上界
pop = lb + (ub - lb) * rand(popSize, dim);
fitness = zeros(popSize, 1); % 初始化适应度值

% 假设模型是一个线性模型，此处使用true_data作为训练数据
true_data = TrueData; 

for iter = 1:maxIter
    for i = 1:popSize
        fitness(i) = FitnessFunction(pop(i, :), true_data); % 调用自定义的适应度函数计算适应度值，并传入原始数据
    end

    % 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, :), true_data);
    end
    
    % 更新全局最优解
[bestFitness, bestIdx] = min(fitness); % 找到当前迭代中的最佳适应度和其索引
if bestFitness < globalBestFitness
    globalBestFitness = bestFitness;
    globalBestSolution = pop(bestIdx, :);
end
    
    
    % 显示当前迭代结果
    disp(['Iteration: ' num2str(iter) ', Best Fitness: ' num2str(bestFitness)]);
    disp(bestSolution);
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
X = 1:size(true_data, 1); % 假设数据索引作为特征
y_pred = YourPredictionFunction(globalBestSolution, X);% 根据你的模型定义预测函数
comparison = [true_data 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(true_data, '-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');

function fitness = FitnessFunction(x, true_data)
    % 根据已知数据进行计算，返回适应度值
    % 假设我们正在寻找一个拟合true_data的最佳线性模型
    model_params = reshape(x, [], 1);  % 假设x的长度等于2（对应于线性模型的a和b）
    
    if numel(model_params) ~= 2  % 检查参数数量是否正确
        error('模型参数数量不正确，应该为2（对应于线性模型的斜率和截距）');
    end
    
    X = 1:size(true_data, 1);  % 数据索引作为特征
    y_pred = model_params(1) * X' + model_params(2); % 线性模型预测
    y_true = true_data; % 真实数据

    fitness = sum((y_pred - y_true).^2); % 误差平方和作为适应度值
end

function predicted_values = YourPredictionFunction(model_params, X)
    % 输入参数model_params是通过天鹰优化得到的最佳参数
    % X是用于预测的数据特征（这里是数据索引）
    
    % 使用最佳参数构建模型（这里假设是一个简单的线性模型）
    model = LinearModel.fit(X, model_params(2:end)', 'Intercept', true); % 添加截距项
    
    % 进行预测
    predicted_values = predict(model, X);
end

Answer 1

让阿豪来帮你解答，本回答参考chatgpt3.5编写提供，如需一对一服务私聊我哦

该问题中涉及到的主要问题是如何对预测数据进行适当的调整，以使其合理，并实现原始数据与预测数据的可视化对比。 一些解决方案包括：

1. 调整预测模型的参数或算法，以更好地适应输入数据集。这可能涉及使用不同的优化算法或更复杂的模型。
2. 对预测数据进行后处理，例如使用平滑或过滤算法来平滑预测结果。
3. 对数据进行必要的归一化或标准化，以确保原始数据和预测数据在相同的比例范围内。 以下是一个基于天鹰优化算法进行预测的示例代码，该代码同时展示了如何调整预测结果并进行可视化对比：

globalBestFitness = Inf;
globalBestSolution = [];
bestFitness = Inf;
bestSolution = [];
popSize = 50; 
maxIter = 100;
TrueData = [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];
dim = 2; 
lb = -10; 
ub = 10;
pop = lb + (ub - lb) * rand(popSize, dim);
fitness = zeros(popSize, 1); 
% 假设模型是一个线性模型，此处使用true_data作为训练数据
true_data = TrueData;
for iter = 1:maxIter   
    for i = 1:popSize
        fitness(i) = FitnessFunction(pop(i, :), true_data);
    end
    
    % 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, :), true_data);
    end
    
    % 更新全局最优解
    [bestFitness, bestIdx] = min(fitness);
    if bestFitness < globalBestFitness
        globalBestFitness = bestFitness;
        globalBestSolution = pop(bestIdx, :);
    end 
    
    % 显示当前迭代结果
    disp(['Iteration: ' num2str(iter) ', Best Fitness: ' num2str(bestFitness)]);
    disp(bestSolution);
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
X = 1:size(true_data, 1); % 假设数据索引作为特征
y_pred = YourPredictionFunction(globalBestSolution, X); % 根据你的模型定义预测函数
y_pred_adj = SmoothFunction(y_pred); % 对预测数据进行平滑处理
comparison = [true_data y_pred_adj];
disp('Comparison of True Data and Predicted Data:');
disp(comparison);
% 可视化原始数据和预测数据
figure;
plot(true_data, '-o', 'MarkerSize', 5, 'LineWidth', 1.5, 'DisplayName', 'True Data');
hold on;
plot(y_pred_adj, '-s', 'MarkerSize', 5, 'LineWidth', 1.5, 'DisplayName', 'Predicted Data');
legend('show');
xlabel('Data Index');
ylabel('Data Value');
function fitness = FitnessFunction(x, true_data)
    % 根据已知数据进行计算，返回适应度值
    % 假设我们正在寻找一个拟合true_data的最佳线性模型
    model_params = reshape(x, [], 1); % 假设x的长度等于2（对应于线性模型的斜率和截距）
    
    if numel(model_params) ~= 2 % 检查参数数量是否正确
        error('模型参数数量不正确，应该为2（对应于线性模型的斜率和截距）');
    end
    
    % 计算预测结果
    y_pred = model_params(1) * 1:size(true_data, 1) + model_params(2);
    % 计算适应度值（平均误差）
    fitness = mean(abs(y_pred - true_data));
end
function y_pred_smooth = SmoothFunction(y_pred)
    % 对预测数据进行平滑处理
    % 这里假设使用了基于移动平均的平滑算法
    window_size = 3; % 窗口大小
    y_pred_smooth = filter(ones(1, window_size) / window_size, 1, y_pred);
end
% 假设预测函数为简单的线性模型，返回预测结果
function y_pred = YourPredictionFunction(params, X)
    y_pred = params(1) * X + params(2);
end