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？问题是否存在于迭代中，由于缺少可以保存的逐个生成的预测数据？

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

该问题需要通过将单独的y_pred值与原始数据进行比较，并调整预测数据以获得合理的预测。可能的原因是缺少保存逐个生成的预测数据的机制。 建议的解决方法如下：

1. 根据天鹰优化算法的迭代，逐个更新每个个体的位置，并使用fitness function计算适应度值。
2. 在全局最优解中找到最佳适应度值和对应的参数。
3. 将这些最佳参数用于预测，并将预测结果与原始数据进行比较。
4. 根据比较结果，调整预测数据，直到预测结果与原始数据匹配为止。

5. 将调整后的预测数据与原始数据进行可视化对比。 下面是代码示例： function fitness = FitnessFunction(x, true_data) % 计算线性模型的预测值和适应度值 model_params = reshape(x, [], 1); 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 y_pred = model_params(1) * (1:numel(true_data))' + model_params(2); %使用模型进行预测 fitness = mse(y_pred, true_data); %计算均方误差 function y_pred = YourPredictionFunction(x, X) % 根据最优参数进行预测 y_pred = x(1) * X + x(2); pop = lb + (ub - lb) * rand(popSize, dim); % 初始化种群位置 fitness = zeros(popSize, 1); % 初始化适应度值 true_data = TrueData; for iter = 1:maxIter for i = 1:popSize fitness(i) = FitnessFunction(pop(i, :), true_data); % 计算适应度值 end

   [bestFitness, bestIdx] = min(fitness); % 更新全局最优解

   if bestFitness < globalBestFitness globalBestFitness = bestFitness; globalBestSolution = pop(bestIdx, :); end for i = 1:popSize % 更新每个个体的位置 idx = randperm(popSize, 2); % 随机选择两个不同个体 eagle1 = pop(idx(1), :); eagle2 = pop(idx(2), :); pop(i, :) = eagle1 + rand(1, dim) .* (eagle1 - eagle2); % 更新位置 pop(i, :) = max(pop(i, :), lb); % 边界处理 pop(i, :) = min(pop(i, :), ub); end end % 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); comparison = [true_data y_pred]; % 调整预测数据，直到与原始数据匹配 tolerance = 0.1; while any(abs(diff(comparison, [], 2)) > tolerance) y_pred = smooth(y_pred); % 对预测结果进行平滑处理 comparison = [true_data y_pred]; end % 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');