投影寻踪遗传代码.docVIP

【原创】基于遗传算法的投影寻踪模型Matlab源码 投影寻踪是数据挖掘领域的一种重要方法，下面的源码使用遗传算法用于投影寻踪最佳投影向量的优化。本源码由GreenSim团队原创，转载请注明，有意购买源码或代写相关程序，请与GreenSim团队联系。%% “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% 欢迎访问GreenSim——算法仿真团队/greensim%% 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1～np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=(BESTX{K});%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