使用天鹰优化算法进行变形监测数据的优化出现问题

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？（不需要进行数据平滑处理）

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

true_data, 1); % 构造设计矩阵 X_design = [X' ones(size(X, 2), 1)]; % 计算预测值 y_pred = X_design * model_params; % 计算均方误差 mse = sum((true_data - y_pred).^2) / size(true_data, 1); % 将均方误差作为适应度值 fitness = mse;end