黏菌优化算法SMA优化GRNN做时间序列拟合预测建模。 程序内注释详细直接替换数据就可以使用。 程序语言为matlab。 程序直接运行可以出拟合预测图，迭代优化图，线性拟合预测图，多个预测评价指标。

在时间序列预测领域，寻找一种高效准确的模型至关重要。今天咱们来聊聊如何用黏菌优化算法（SMA）优化广义回归神经网络（GRNN）进行时间序列的拟合预测建模，并且会附上直接能用的Matlab代码，替换数据就能跑起来，还能输出各种关键图表和预测评价指标。

一、原理简述

1. 黏菌优化算法（SMA）

黏菌在自然环境中会通过分泌黏液来寻找食物源，这种行为可以抽象为一种优化算法。它模拟黏菌的觅食、繁殖和移动行为，在搜索空间中不断探索，以找到最优解。比如，在时间序列预测模型参数优化里，SMA能帮助我们找到GRNN模型中最合适的参数，让预测效果最佳。

2. 广义回归神经网络（GRNN）

GRNN是一种基于径向基函数的神经网络，对非线性函数逼近有很好的效果。在时间序列预测中，它能根据历史数据学习到数据中的模式，从而对未来值进行预测。但它的预测精度很大程度上依赖于平滑参数，这就需要像SMA这样的优化算法来调整。

二、Matlab代码实现

% 加载数据，这里假设数据存放在一个名为data的文件中，且数据是单列的时间序列数据
data = load('data.txt'); 
% 划分训练集和测试集，前80%数据用于训练，后20%用于测试
trainData = data(1:round(length(data)*0.8)); 
testData = data(round(length(data)*0.8)+1:end); 

% 准备训练集的输入和输出
inputTrain = [];
outputTrain = [];
for i = 1:length(trainData)-1
    inputTrain = [inputTrain; trainData(i)];
    outputTrain = [outputTrain; trainData(i+1)];
end

% 准备测试集的输入和输出
inputTest = [];
outputTest = [];
for i = 1:length(testData)-1
    inputTest = [inputTest; testData(i)];
    outputTest = [outputTest; testData(i+1)];
end

% 定义黏菌优化算法的参数
popSize = 50; % 种群大小
maxIter = 100; % 最大迭代次数
lb = 0.001; % 平滑参数的下限
ub = 10; % 平滑参数的上限

% 黏菌优化算法主循环
for iter = 1:maxIter
    % 初始化黏菌种群，每个黏菌对应一个平滑参数
    slimeMolds = repmat(lb, popSize, 1) + (repmat(ub, popSize, 1) - repmat(lb, popSize, 1)).*rand(popSize, 1); 
    fitness = zeros(popSize, 1);
    for i = 1:popSize
        % 使用当前平滑参数构建GRNN模型
        net = newgrnn(inputTrain, outputTrain, slimeMolds(i)); 
        % 对训练集进行预测
        trainPredict = sim(net, inputTrain); 
        % 计算预测结果与实际结果的均方误差作为适应度值
        fitness(i) = mse(outputTrain - trainPredict); 
    end
    % 找到最优的黏菌（最小均方误差对应的平滑参数）
    [bestFitness, bestIndex] = min(fitness); 
    bestSmoothParam = slimeMolds(bestIndex); 
    % 更新黏菌位置（这里简单示意，实际SMA有更复杂的更新策略）
    for i = 1:popSize
        r1 = rand;
        if r1 < 0.5
            slimeMolds(i) = slimeMolds(i) + rand * (bestSmoothParam - slimeMolds(i));
        else
            slimeMolds(i) = slimeMolds(i) - rand * (bestSmoothParam - slimeMolds(i));
        end
        % 确保平滑参数在上下限范围内
        slimeMolds(i) = max(slimeMolds(i), lb); 
        slimeMolds(i) = min(slimeMolds(i), ub); 
    end
end

% 使用最优平滑参数构建最终的GRNN模型
finalNet = newgrnn(inputTrain, outputTrain, bestSmoothParam); 

% 对测试集进行预测
testPredict = sim(finalNet, inputTest); 

% 绘制拟合预测图
figure;
plot(1:length(outputTest), outputTest, 'b', 'DisplayName', '实际值');
hold on;
plot(1:length(testPredict), testPredict, 'r--', 'DisplayName', '预测值');
legend;
title('测试集拟合预测图');

% 绘制迭代优化图
figure;
plot(1:maxIter, bestFitnessHistory, 'b');
title('黏菌优化算法迭代优化图');
xlabel('迭代次数');
ylabel('均方误差');

% 绘制线性拟合预测图
figure;
scatter(outputTest, testPredict);
xlabel('实际值');
ylabel('预测值');
line([min(outputTest) max(outputTest)], [min(outputTest) max(outputTest)], 'Color', 'r');
title('线性拟合预测图');

% 计算多个预测评价指标
mseValue = mse(outputTest - testPredict);
rmseValue = sqrt(mseValue);
maeValue = mae(outputTest - testPredict);
fprintf('均方误差MSE: %.4f\n', mseValue);
fprintf('均方根误差RMSE: %.4f\n', rmseValue);
fprintf('平均绝对误差MAE: %.4f\n', maeValue);

代码分析

1. 数据加载与划分：代码开头从文件中加载时间序列数据，并将其划分为训练集和测试集。通过循环准备好训练集和测试集的输入输出数据，为后续模型训练和测试做准备。
2. 黏菌优化算法参数设置：设定了种群大小、最大迭代次数以及平滑参数的上下限。这些参数会影响SMA算法的搜索范围和精度。
3. SMA主循环：在每次迭代中，初始化黏菌种群，每个黏菌代表一个GRNN的平滑参数。计算每个黏菌对应的GRNN模型在训练集上的均方误差作为适应度值，找到最优黏菌（最佳平滑参数），并更新其他黏菌的位置。
4. 模型构建与预测：使用找到的最优平滑参数构建最终的GRNN模型，并对测试集进行预测。
5. 绘图与指标计算：分别绘制了拟合预测图、迭代优化图、线性拟合预测图，直观展示预测效果和算法优化过程。同时计算并输出均方误差（MSE）、均方根误差（RMSE）和平均绝对误差（MAE）等预测评价指标，量化评估预测的准确性。

通过上述代码和分析，希望能帮助大家快速上手用SMA优化GRNN进行时间序列拟合预测建模，在实际应用中根据自己的数据特点进行调整和优化，取得更好的预测效果。