山东机关建设网站老版,163k系统功能介绍,属于c2c的网站是,wordpress 分类目录自定义适用平台#xff1a;Matlab 2023版及以上
TTOA三角聚合优化算法#xff0c;将在2024年3月正式发表在中科院1区顶级SCI期刊《Expert Systems with Applications》上。
该算法提出时间极短#xff0c;目前以及近期内不会有套用这个算法的文献。新年伊始#xff0c;尽快拿下…适用平台Matlab 2023版及以上
TTOA三角聚合优化算法将在2024年3月正式发表在中科院1区顶级SCI期刊《Expert Systems with Applications》上。
该算法提出时间极短目前以及近期内不会有套用这个算法的文献。新年伊始尽快拿下 我们利用该创新性极高的优化算法对我们的CNN-BiGRU-Attention时序和空间特征结合-融合注意力机制的回归预测程序代码中的超参数进行优化构成TTAO-CNN-BiGRU-MSA多变量回归预测模型.
文献解读这个算法的启发来源是类似三角形的拓扑学性质。名为Triangulation Topology Aggregation OptimizerTTAO的新型数学元启发算法中每个三角形拓扑单元表示一个搜索个体。TTAO算法通过聚合形成不同大小的类似三角形拓扑单元以作为基本的进化单元。与其他元启发算法不同TTAO算法提出了一种新的进化指导模式主要依靠每个三角形单元中的最佳个体指导单元内个体的进化。因此这种进化种群不仅依赖于全局引导的优秀个体还吸收了每个单元中最佳个体的有效正向信息有助于解决复杂优化问题克服传统方法在全局搜索时进入局部极值的缺点。接下来文章通过与其它对比算法HHO SCSOSAOBWOAOA等测试验证了TTAO算法具有更强的收敛性能。在CEC2017函数和8个工程问题上评估了其优化性能。实验结果表明TTAO算法在30维CEC2017函数上具有优越的收敛性和稳定性。 原理许多领域通常将研究对象划分为三角形拓扑单元并建立相关模型进行识别和分析如金字塔三角尺等。 在有限或无限维空间中三角形拓扑可以被视为二维子空间的子图。与其他拓扑相比三角形在某些封闭系统中更简单、更稳定。 TTAO算法主要通过以下两个阶段进行优化过程 ①不同单元之间的聚合 ②相似三角形单元内的聚合
在这个过程中不断在搜索空间中生成新的顶点并用它们构建不同大小的相似三角形。TTAO算法将每个三角形视为具有四个个体的基本进化单元即三角形的三个顶点和一个内部随机顶点。聚合的核心是将具有优良特性的顶点分组在一起。具体来说TTAO算法通过聚合在不同拓扑单元之间或内部收集具有正向信息的顶点不断构建相似三角形。 优化步骤 算法通过迭代进化在搜索空间中不断生成新的顶点以构建不同大小的相似三角形。 每个三角形都被视为一个基本进化单元包含四个搜索个体即三角形的三个顶点和一个内部随机顶点。 TTAO算法的核心是聚集具有优越特性的顶点。具体而言TTAO算法通过聚集来自不同拓扑单元的优秀个体信息以创建新的可行解。 算法通过三个阶段的更新过程来实现全局搜索和局部挖掘生成三角拓扑单元、通用聚集和局部聚集。 构成的TTAO-CNN-BiGRU-MSA多变量回归预测模型的创新性在于以下几点
TTAO算法区别于传统智能算法的创新性
①细胞聚类策略TTAO 算法采用三角形拓扑单元展开优化过程每个三角形拓扑单元具有一个顶点这些顶点分别代表了搜索个体。这种细胞聚类策略使得 TTAO 算法能够更好地挖掘局部和全局信息。
②两级聚合策略TTAO 算法采用了两级聚合策略广义聚合和局部聚合。广义聚合主要关注全局探索通过不同三角形拓扑单元间的信息交换来找到更有希望的位置局部聚合则使得每个单元内的信息得到有效开发确保准确地探索局部区域。
③自适应策略TTAO 算法将上一代的有效信息自适应地继承下来从而保持种群的多样性。这种自适应策略使得 TTAO 算法能够快速收敛到全局最优解。
④个体引导进化策略TTAO算法提出了一种新的关键个体引导进化策略使得该算法不仅依赖于精英个体的全局引导进化还吸收了每个单元中最佳个体的积极正向信息。
优化套用—基于三角拓扑聚合优化算法TTAO、卷积神经网络CNN和双向门控循环单元网络(BiGRU)融合注意力机制Multi-Head Self AttentionMSA的超前24步多变量时间序列回归预测算法TTOA-CNN-BiGRU-MSA 功能
1、多变量特征输入单序列变量输出输入前一天的特征实现后一天的预测超前24步预测。
2、通过TTAO优化算法优化学习率、卷积核大小、神经元个数这3个关键参数以最小MAPE为目标函数。
3、提供损失、RMSE迭代变化极坐标图网络的特征可视化图测试对比图适应度曲线若首轮精度最高则适应度曲线为水平直线。
4、提供MAPE、RMSE、MAE等计算结果展示。
适用领域风速预测、光伏功率预测、发电功率预测、碳价预测等多种应用。
数据集格式
前一天18个气象特征采样时间为24小时输出为第二天的24小时的功率出力也就是18×24输入1×24输出一共有75个这样的样本。 预测值与实际值对比训练特征可视化 训练误差曲线的极坐标形式误差由内到外越来越接近0适应度曲线误差逐渐下降 误差评估 TTAO部分核心代码
完整代码https://mbd.pub/o/bread/ZZqZlZ1y
% 三角拓扑聚合优化器
function [fbest,Xbest,Convergence_curve,BestPred,bestNet,bestInfo]TTAOtest(PopSize,T,Low,Up,Dim,fobj)Nfloor(PopSize/3); % 初始化N/3个个体。
X1rand(N,Dim).*(Up-Low)Low;
t1;
while tT1%% 形成三角拓扑单元l9*exp(-t/T);% 三角拓扑单元的大小。for i1:Nthetarand(1,Dim)*pi;h1cos(theta);h2cos(thetapi/3);X2(i,:)X1(i,:)l*h1;X3(i,:)X1(i,:)l*h2;endX2 max(X2,Low);X2 min(X2,Up);X3 max(X3,Low);X3 min(X3,Up);r1rand;r2rand;X4r1*X1r2.*X2(1-r1-r2)*X3;X4 max(X4,Low);X4 min(X4,Up);for i1:N[X1_fit(i), value1{i},Net1{i},Info1{i}] fobj(X1(i,:));[X2_fit(i), value2{i},Net2{i},Info2{i}] fobj(X2(i,:));[X3_fit(i), value3{i},Net3{i},Info3{i}] fobj(X3(i,:));[X4_fit(i), value4{i},Net4{i},Info4{i}] fobj(X4(i,:));endX[X1 X2 X3 X4];fit[X1_fit;X2_fit;X3_fit;X4_fit];value [value1; value2; value3; value4];Net [Net1; Net2; Net3; Net4];Info [Info1; Info2; Info3; Info4];[X_sort,index]sort(fit);%% 在每个三角拓扑单元中找到最优点和次优点。for i1:NX_best_1(i,:)X(i,(index(1,i)-1)*Dim1:index(1,i)*Dim);X_best_2(i,:)X(i,(index(2,i)-1)*Dim1:index(2,i)*Dim);endbest_fit_1X_sort(1,:);best_fit_2X_sort(2,:);sorted_value(:, 1) value(index(:, 1), 1);sorted_value(:, 2) value(index(:, 2), 2);best_value_1 sorted_value(1,:);best_value_2 sorted_value(2,:);sorted_Net(:, 1) Net(index(:, 1), 1);sorted_Net(:, 2) Net(index(:, 2), 2);best_Net_1 sorted_Net(1,:);best_Net_2 sorted_Net(2,:);sorted_Info(:, 1) Info(index(:, 1), 1);sorted_Info(:, 2) Info(index(:, 2), 2);best_Info_1 sorted_Info(1,:);best_Info_2 sorted_Info(2,:);%% 通用聚合for i1:Nrrand(1,Dim);X_newX_best_1;X_new(i,:)[];l1randi(N-1);X_G(i,:)(r.*X_best_1(i,:)(ones(1,Dim)-r).*X_new(l1,:));X_G(i,:) max(X_G(i,:),Low);X_G(i,:) min(X_G(i,:),Up);[X_fit_G(i), valueG{i},NetG{i},InfoG{i}]fobj(X_G(i,:));if X_fit_G(i)best_fit_1(i)X_best_1(i,:)X_G(i,:);best_fit_1(i)X_fit_G(i);best_value_1{i}valueG{i};best_Net_1{i}NetG{i};best_Info_1{i}InfoG{i};elseif X_fit_G(i)best_fit_2(i)X_best_2(i,:)X_G(i,:);best_value_2{i}valueG{i};best_Net_2{i}NetG{i};best_Info_2{i}InfoG{i};endend%% 局部聚合for i1:Na(exp(1)-(exp(1))^3)/(T-1);b(exp(1))^3-a;alphalog(a*tb);X_C(i,1:Dim)X_best_1(i,1:Dim)alpha*(X_best_1(i,1:Dim)-X_best_2(i,1:Dim));X_C(i,:) max(X_C(i,:),Low);X_C(i,:) min(X_C(i,:),Up);[X_fit_C(i), valueC{i},NetC{i},InfoC{i}]fobj(X_C(i,:));if X_fit_C(i)best_fit_1(i)X_best_1(i,:)X_C(i,:);best_fit_1(i)X_fit_C(i);best_value_1{i}valueC{i};best_Net_1{i}NetC{i};best_Info_1{i}InfoC{i};endend%% N00PopSize-N*3;if N00~0X00rand(PopSize-N*3,Dim).*(Up-Low)Low;for i1:N00[X00_fit,value00{i},Net00{i},Info00{i}]fobj(X00(i,:));endX_1_0[X_best_1;X00];X_1_0_fit[best_fit_1,X00_fit];value_1_0[best_value_1;value00];Net_1_0[best_Net_1;Net00];Info_1_0[best_Info_1;Info00];[~,index01]sort(X_1_0_fit);X_best_1X_1_0(index01(1:N),:);best_value_1value_1_0(index01(1:N),:);best_Net_1Net_1_0(index01(1:N),:);best_Info_1Info_1_0(index01(1:N),:);best_fit_1X_1_0_fit(index01(1:N));endX1X_best_1;%% 前N/3个个体作为下一次迭代的初始种群。
部分图片来源于网络侵权联系删除
欢迎感兴趣的小伙伴“复制代码上方链接”或“联系小编”获得完整版代码哦~关注小编会继续推送更有质量的学习资料、文章程序代码~
