m基于GA遗传优化的GRNN广义回归神经网络销售数据预测算法matlab仿真

本文涉及的产品
全球加速 GA,每月750个小时 15CU
简介: m基于GA遗传优化的GRNN广义回归神经网络销售数据预测算法matlab仿真

1.算法描述

  随着市场经济的发展和全球化,国内外企业面临着越来越残酷的市场竞争,要想赢得竞争,赢得市场,从事商品销售的单位必须在短时间内,以最低的成本将产品提供给客户,这使得对市场的变化和本身业务的发展前景进行估计。

    制冷压缩机的主要功能是将低压气体提升为高压气体,是制冷设备的核心部件,其广泛应用在空调冰箱等各类电器设备中。因此制冷压缩机有着十分广泛的市场前景,为了获得较为准确的市场预期,我们需要使用已有的理论知识和科学方法,对制冷压缩机的市场发展趋势进行预先估计,从而进一步减少风险,避免企业决策的盲目性。

  遗传算法(Genetic Algorithm)是一类借鉴生物界的进化规律演化而来的随机化搜索方法。它是由美国的J.Holland教授1975年首先提出,其主要特点是直接对结构对象进行操作,不存在求导和函数连续性的限定;具有内在的隐并行性和更好的全局寻优能力;采用概率化的寻优方法,能自动获取和指导优化的搜索空间,自适应地调整搜索方向,不需要确定的规则。遗传算法的这些性质,已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。它是现代有关智能计算中的关键技术。

   算法的算法流程图如下图所示:

1.png

从图1的算法流程图可知,遗传算法,其主要步骤如下所示:

    步骤一、选择问题解的一个编码,给出一个包含N个染色体的初始种群。

    步骤二、对种群中的每一个染色体 ,分别计算其对应的适应函数值。

    步骤三、若停止规则满足,则算法停止,否则计算概率P,并以此概率分布,从中随机选取N个染色体构成一个新的种群。

    步骤四、通过交叉(交叉概率为),得到N个染色体的交叉概率值。

    步骤五、以较小的变异概率,使得某染色体的一个基因发生变异,形成新的群体重复第步骤二步。

   对GRNN网络来说,当确定了学习样本,则相应的网络结构和各神经元之间的连接权值也就确定出来,网络的训练实际上只是确定平滑参数的过程。GRNN网络中的即相当于径向基函数的分布密度SPREAD。一般情况下,SPREAD越大,逼近过程就越平滑,但误差也增大;SPREAD越小,函数逼近越精确,但逼近过程也越不平滑。

  平滑参数的取值会在很大程度上影响着广义回归神经网络的预测性能,根据式子:

2.png
3.png

2.仿真效果预览
matlab2022a仿真结果如下:

4.png
5.png
6.png
7.png
8.png

3.MATLAB核心程序

data0    = data;
%归一化
Xmin     = min(data);
Xmax     = max(data);
data     = (data-min(data))/(max(data)-min(data));
 
figure;
plot(data(1:12),'b-x');
hold on
plot(data(13:24),'r-s');
hold on
plot(data(25:36),'k-o');
hold on
legend('2010销售量','2011销售量','2012销售量');
xlabel('Times(month)');
ylabel('销售量');
axis([0,12,0,1]);
grid on;
figure;
plot(data0(1:12),'b-x');
hold on
plot(data0(13:24),'r-s');
hold on
plot(data0(25:36),'k-o');
hold on
legend('2010销售量','2011销售量','2012销售量');
xlabel('Times(month)');
ylabel('销售量');
axis([0,12,0,1500]);
grid on;
%%
%使用遗传算法获得最优的平滑参数
MAXGEN = 30;
NIND   = 50;
Chrom  = crtbp(NIND,1*10);
 
%14个变量的区间
%优化变量如下:
%多边形个数N,1~100
Areas  = [0;
          1];
 
FieldD = [rep([10],[1,1]);Areas;rep([0;0;0;0],[1,1])];
 
alpha  = zeros(NIND,1);
alphas = zeros(MAXGEN,1);
 
 
for a=1:1:NIND 
    a
    alpha(a)= 0.5;       
    %计算对应的目标值
    Result = func_obj(alpha(a),data,Xmax,Xmin);
    E      = mean(abs(Result-data0(25:36)));
    J(a,1) = E;
end
Objv  = J;
gen   = 0; 
 
while gen < MAXGEN;   
      gen
      FitnV=ranking(Objv);    
      Selch=select('sus',Chrom,FitnV);    
      Selch=recombin('xovsp', Selch,0.95);   
      Selch=mut( Selch,0.05);   
      phen1=bs2rv(Selch,FieldD);   
      
      for a=1:NIND  
          alpha(a)= phen1(a,1);      
          %计算对应的目标值
          Result  = func_obj(alpha(a),data,Xmax,Xmin);
          E       = mean(abs(Result-data0(25:36)));
          JJ(a,1) = E;
      end 
      Objvsel      = JJ;    
      [Chrom,Objv] = reins(Chrom,Selch,1,1,Objv,Objvsel);   
      gen          = gen + 1; 
      Error(gen)   = mean(JJ);
      alphas(gen)  = mean(alpha);
end 
Result  = func_obj(alphas(end),data,Xmax,Xmin);
%画图
figure;
subplot(121)
plot(alphas,'b-o');
hold on;
xlabel('迭代次数');
ylabel('平滑因子');
axis square;
grid on;
 
subplot(122)
plot(Error,'b-o');
hold on;
xlabel('迭代次数');
ylabel('Error');
axis square;
grid on;
 
load NET.mat
Result  = sim(net,1:12);
Result  = Result*(Xmax-Xmin)+Xmin;
 
figure
plot(data0(25:36),'b-o');
hold on
plot(Result,'r-s');
legend('2012销售量','预测值');
xlabel('Times(month)');
ylabel('销售量');
grid on;
 
figure
S = [data0(25:36);Result]';
bar(S);
legend('2012销售量','预测值');
xlabel('Times(month)');
ylabel('销售量');
save Rgrnn.mat Result
A = (Result-data0(25:36))./Result;
A = 100*A';
A
02_021m
相关文章
|
20天前
|
机器学习/深度学习 数据采集 算法
基于GA遗传优化的CNN-GRU-SAM网络时间序列回归预测算法matlab仿真
本项目基于MATLAB2022a实现时间序列预测,采用CNN-GRU-SAM网络结构。卷积层提取局部特征,GRU层处理长期依赖,自注意力机制捕捉全局特征。完整代码含中文注释和操作视频,运行效果无水印展示。算法通过数据归一化、种群初始化、适应度计算、个体更新等步骤优化网络参数,最终输出预测结果。适用于金融市场、气象预报等领域。
基于GA遗传优化的CNN-GRU-SAM网络时间序列回归预测算法matlab仿真
|
12天前
|
算法 JavaScript
基于遗传优化的Sugeno型模糊控制器设计matlab仿真
本课题基于遗传优化的Sugeno型模糊控制器设计,利用MATLAB2022a进行仿真。通过遗传算法优化模糊控制器的隶属函数参数,提升控制效果。系统原理结合了模糊逻辑与进化计算,旨在增强系统的稳定性、响应速度和鲁棒性。核心程序实现了遗传算法的选择、交叉、变异等步骤,优化Sugeno型模糊系统的参数,适用于工业控制领域。
|
12天前
|
算法 决策智能
基于遗传优化的货柜货物摆放优化问题求解matlab仿真
本项目采用MATLAB2022A实现基于遗传算法的货柜货物摆放优化,初始随机放置货物后通过适应度选择、交叉、变异及逆转操作迭代求解,最终输出优化后的货物分布图与目标函数变化曲线,展示进化过程中的最优解和平均解的变化趋势。该方法模仿生物进化,适用于复杂空间利用问题,有效提高货柜装载效率。
|
10天前
|
机器学习/深度学习 监控 算法
基于yolov4深度学习网络的排队人数统计系统matlab仿真,带GUI界面
本项目基于YOLOv4深度学习网络,利用MATLAB 2022a实现排队人数统计的算法仿真。通过先进的计算机视觉技术,系统能自动、准确地检测和统计监控画面中的人数,适用于银行、车站等场景,优化资源分配和服务管理。核心程序包含多个回调函数,用于处理用户输入及界面交互,确保系统的高效运行。仿真结果无水印,操作步骤详见配套视频。
44 18
|
16天前
|
机器学习/深度学习 算法 计算机视觉
基于CNN卷积神经网络的金融数据预测matlab仿真,对比BP,RBF,LSTM
本项目基于MATLAB2022A,利用CNN卷积神经网络对金融数据进行预测,并与BP、RBF和LSTM网络对比。核心程序通过处理历史价格数据,训练并测试各模型,展示预测结果及误差分析。CNN通过卷积层捕捉局部特征,BP网络学习非线性映射,RBF网络进行局部逼近,LSTM解决长序列预测中的梯度问题。实验结果表明各模型在金融数据预测中的表现差异。
|
1月前
|
SQL 安全 网络安全
网络安全与信息安全:知识分享####
【10月更文挑战第21天】 随着数字化时代的快速发展,网络安全和信息安全已成为个人和企业不可忽视的关键问题。本文将探讨网络安全漏洞、加密技术以及安全意识的重要性,并提供一些实用的建议,帮助读者提高自身的网络安全防护能力。 ####
77 17
|
1月前
|
存储 SQL 安全
网络安全与信息安全:关于网络安全漏洞、加密技术、安全意识等方面的知识分享
随着互联网的普及,网络安全问题日益突出。本文将介绍网络安全的重要性,分析常见的网络安全漏洞及其危害,探讨加密技术在保障网络安全中的作用,并强调提高安全意识的必要性。通过本文的学习,读者将了解网络安全的基本概念和应对策略,提升个人和组织的网络安全防护能力。
|
1月前
|
SQL 安全 网络安全
网络安全与信息安全:关于网络安全漏洞、加密技术、安全意识等方面的知识分享
随着互联网的普及,网络安全问题日益突出。本文将从网络安全漏洞、加密技术和安全意识三个方面进行探讨,旨在提高读者对网络安全的认识和防范能力。通过分析常见的网络安全漏洞,介绍加密技术的基本原理和应用,以及强调安全意识的重要性,帮助读者更好地保护自己的网络信息安全。
59 10
|
1月前
|
SQL 安全 网络安全
网络安全与信息安全:关于网络安全漏洞、加密技术、安全意识等方面的知识分享
在数字化时代,网络安全和信息安全已成为我们生活中不可或缺的一部分。本文将介绍网络安全漏洞、加密技术和安全意识等方面的内容,并提供一些实用的代码示例。通过阅读本文,您将了解到如何保护自己的网络安全,以及如何提高自己的信息安全意识。
66 10
|
1月前
|
存储 监控 安全
云计算与网络安全:云服务、网络安全、信息安全等技术领域的融合与挑战
本文将探讨云计算与网络安全之间的关系,以及它们在云服务、网络安全和信息安全等技术领域中的融合与挑战。我们将分析云计算的优势和风险,以及如何通过网络安全措施来保护数据和应用程序。我们还将讨论如何确保云服务的可用性和可靠性,以及如何处理网络攻击和数据泄露等问题。最后,我们将提供一些关于如何在云计算环境中实现网络安全的建议和最佳实践。