基于遗传算法的投影寻踪模型Matlab源码.docx

基于遗传算法的投影寻踪模型Matlab源码% “投影寻踪遗传算法优化”的主仿真程序% GreenSim团队原创作品，转载请注明% Email:% GreenSim团队主页：/greensim% color=red欢迎访问GreenSim算法仿真团队url=/greensim/greensim/url/color% 第一步：仿真参数设置clearclcclose allload Q5.txtDD=Q5;%导入D矩阵n,p=size(DD);np=15;%训练样本的个数，前面1np个样本用于建立模型，剩下的样本用于预测if np=nerror(用于预测的样本个数不能大于或等于样本总数，请重新设置);endyear=1:np;%选择参与计算的样本，默认选择全部Factor=1:p;%选择部分指标，默认选择全部D=DD(year,Factor);K=50;%迭代次数N=30;%种群规模Pm=0.3;%变异概率LB=-ones(1,p);%决策变量的下界UB=ones(1,p);%决策变量的上界Alpha=0.1;%窗口半径系数，典型取值0.1b% 调用遗传算法优化投影寻踪模型的程序BESTX,BESTY,ALLX,ALLY=GAUCP(K,N,Pm,LB,UB,D,Alpha)% 以下均为整理输出结果%所有数据都在workspace里，最值得关注的三个数据是% Z投影指标值，和参考文献里的符号是一致的% Best_a最佳投影向量，参考文献里也是用的符号a，这里加了个前缀Best，表示最佳% BESTY投影寻踪模型中的目标函数的变化情况，文献中的模型是最大化模型，这里按照惯例，对其加了个负号成为最小化模型Best_a=(BESTXK);%方向向量disp(最佳投影向量为);disp(Best_a);d=zeros(np,p);DDjmax=max(DD);DDjmin=min(DD);for i=1:npd(i,:)=(DD(i,:)-DDjmin)./(DDjmax-DDjmin);endZ=zeros(np,1);for i=1:npZ(i)=abs(sum(Best_a.*d(i,:);endZ=abs(Z);%figure(2)%投影散布图plot(year,abs(Z),bd,LineWidth,1,MarkerEdgeColor,k,MarkerFaceColor,b,MarkerSize,5);%axis(1,12,0,2.5);%图形边界根据需要显示grid onxlabel(Year,FontName,Times New Roman,FontSize,12);ylabel(Projective Value,FontName,Times New Roman,Fontsize,12);%figure(3)newZ,I=sort(Z);newyear=year(I);plot(year,abs(newZ),bd,LineWidth,1,MarkerEdgeColor,k,MarkerFaceColor,b,MarkerSize,5);%axis(1,12,0,2.5);%图形边界根据需要显示grid onxlabel(Year,FontName,Times New Roman,FontSize,12);ylabel(Projective Value,FontName,Times New Roman,Fontsize,12);%n2=n-np;d2=zeros(n2,p);for i=1:n2d2(i,:)=(DD(i+np,:)-DDjmin)./(DDjmax-DDjmin);endZ2=zeros(n2,1);for i=1:n2Z2(i)=abs(sum(Best_a.*d2(i,:);endZ2=abs(Z2);disp(预测样本的投影预测值为);disp(Z2);%figure(4)%投影散布图plot(Z;Z2,bd,LineWidth,1,MarkerEdgeColor,k,MarkerFaceColor,b,MarkerSize,5);hold onplot(np+1):n,Z2,bo,LineWidth,1,MarkerEdgeColor,r,MarkerFaceColor,r,MarkerSize,5);legend(训练样本投影值,预测样本投影值);%axis(1,12,0,2.5);%图形边界根据需要显示grid onxlabel(Yea