天牛须优化算法BSA广义神经网络GRNN做多特征输入，单个因变量输出的拟合预测模型。 程序内注释详细直接替换数据就可以用。 程序语言为matlab。

在数据预测领域，我们常常需要构建模型来处理多特征输入和单个因变量输出的情况。今天就来聊聊如何利用天牛须优化算法（BSA）与广义神经网络（GRNN）打造这样一个拟合预测模型，并且用Matlab来实现它。

天牛须优化算法（BSA）简介

天牛须优化算法是一种受天牛觅食行为启发的智能优化算法。天牛左右两根触角能感知周围环境信息，通过比较两边信息来决定移动方向。在算法中，天牛根据两个触角对目标函数值的评估，向较好的方向移动，不断迭代寻找最优解。

广义神经网络（GRNN）简介

广义神经网络是一种基于非线性回归理论的前馈型神经网络。它结构简单，训练速度快，对于处理复杂的非线性映射问题表现出色。

Matlab实现代码及分析

数据准备

% 加载数据，这里假设数据文件名为data.csv，前几列为特征，最后一列为因变量
data = readtable('data.csv');
X = table2array(data(:,1:end - 1)); % 特征数据
Y = table2array(data(:,end)); % 因变量数据

% 划分训练集和测试集，70%训练，30%测试
train_ratio = 0.7;
train_num = floor(size(X, 1) * train_ratio);
X_train = X(1:train_num, :);
Y_train = Y(1:train_num);
X_test = X(train_num + 1:end, :);
Y_test = Y(train_num + 1:end);

这里首先读取数据文件，将其分为特征数据 X 和因变量数据 Y。然后按照设定的比例划分训练集和测试集，为后续模型训练和评估做准备。

天牛须优化算法（BSA）实现

% BSA参数设置
dim = size(X_train, 2); % 维度为特征数量
N = 50; % 天牛数量
Max_iter = 200; % 最大迭代次数
lb = -10 * ones(1, dim); % 下限
ub = 10 * ones(1, dim); % 上限
step = 1; % 初始步长
delta = 0.98; % 步长缩减因子

% 初始化天牛位置
X = zeros(N, dim);
for i = 1:N
    X(i, :) = lb + (ub - lb).* rand(1, dim);
end

% 主循环
for t = 1:Max_iter
    for i = 1:N
        % 计算左右触角位置
        left_antenna = X(i, :) + step * randn(1, dim);
        right_antenna = X(i, :) - step * randn(1, dim);

        % 边界处理
        left_antenna = max(left_antenna, lb);
        left_antenna = min(left_antenna, ub);
        right_antenna = max(right_antenna, lb);
        right_antenna = min(right_antenna, ub);

        % 计算目标函数值
        left_fitness = grnn_fitness(left_antenna, X_train, Y_train, X_test, Y_test);
        right_fitness = grnn_fitness(right_antenna, X_train, Y_train, X_test, Y_test);

        % 更新天牛位置
        if left_fitness < right_fitness
            X(i, :) = X(i, :) + step * sign(left_antenna - right_antenna);
        else
            X(i, :) = X(i, :) - step * sign(left_antenna - right_antenna);
        end

        % 边界处理
        X(i, :) = max(X(i, :), lb);
        X(i, :) = min(X(i, :), ub);
    end
    % 更新步长
    step = step * delta;
end

% 找到最优解
[best_fitness, best_index] = min([grnn_fitness(X(i, :), X_train, Y_train, X_test, Y_test) for i = 1:N]);
best_params = X(best_index, :);

在这段代码中，先设置了BSA算法的各项参数，如天牛数量、最大迭代次数、搜索空间的上下限等。接着初始化天牛的位置。在主循环中，每次迭代计算天牛左右触角的位置，评估触角处的目标函数值（这里目标函数基于GRNN模型的性能），根据比较结果更新天牛位置，并对位置进行边界处理。最后找到最优解，也就是经过BSA优化后的GRNN模型参数。

GRNN相关函数实现

function fitness = grnn_fitness(params, X_train, Y_train, X_test, Y_test)
    spread = params(1); % GRNN的spread参数
    net = newgrnn(X_train, Y_train, spread); % 创建GRNN网络
    Y_pred = sim(net, X_test); % 预测
    fitness = mean((Y_pred - Y_test).^2); % 均方误差作为适应度
end

这个函数定义了基于GRNN模型的适应度计算方式。接收经过BSA优化后的参数（这里主要是GRNN的spread参数），创建GRNN网络并进行预测，用预测值与真实值的均方误差作为适应度，均方误差越小，说明模型性能越好，对应BSA中该位置的适应度越高。

最终预测与结果展示

% 使用最优参数创建GRNN网络
net = newgrnn(X_train, Y_train, best_params(1));
Y_pred = sim(net, X_test);

% 结果展示
figure;
plot(1:length(Y_test), Y_test, 'b', 'DisplayName', '真实值');
hold on;
plot(1:length(Y_pred), Y_pred, 'r--', 'DisplayName', '预测值');
xlabel('样本序号');
ylabel('因变量值');
legend;
mse = mean((Y_pred - Y_test).^2);
fprintf('均方误差MSE: %.4f\n', mse);

最后，使用经过BSA优化得到的最优参数创建GRNN网络，对测试集进行预测，并将预测结果与真实值进行可视化展示，同时计算并输出均方误差来评估模型的预测性能。

通过上述步骤，我们成功构建了基于天牛须优化算法BSA与广义神经网络GRNN的多特征输入、单个因变量输出的拟合预测模型，并且通过Matlab代码实现了整个过程。你只需按照数据准备部分的格式替换自己的数据，就可以直接使用该程序进行类似的预测任务啦。