基于MATLAB的PSO-ELM（粒子群优化极限学习机）算法实现

一、完整MATLAB代码实现

1. 主函数（main.m）

%% 清空环境clc;clear;close all;warning off;%% 数据加载与预处理data=xlsread('数据集.xlsx');% 加载数据集num_samples=size(data,1);num_train=round(0.7*num_samples);% 70%训练集% 输入输出划分（假设最后一列为输出）P_train=data(1:num_train,1:end-1)';T_train=data(1:num_train,end)';P_test=data(num_train+1:end,1:end-1)';T_test=data(num_train+1:end,end)';% 数据归一化[p_train,ps_input]=mapminmax(P_train,0,1);p_test=mapminmax('apply',P_test,ps_input);t_train=T_train;t_test=T_test;%% PSO参数设置inputnum=size(p_train,1);% 输入层节点数hiddennum=50;% 隐含层节点数（可优化）outputnum=size(t_train,1);% 输出层节点数% PSO优化参数Particles_no=30;% 粒子数量Max_iter=100;% 最大迭代次数dim=hiddennum*(inputnum+1);% 优化参数维度（权重+偏置）% 适应度函数定义fobj=@(x)elm_fitness(x,p_train,t_train,hiddennum,inputnum,outputnum);%% PSO优化过程[Best_pos,Best_score,curve]=PSO(Particles_no,Max_iter,...-1*ones(1,dim),1*ones(1,dim),dim,fobj);%% 获取最优参数并训练ELM[W,B,beta]=elm_train_best(Best_pos,p_train,t_train,hiddennum,inputnum,outputnum);%% 模型预测与评估T_sim1=elm_predict(p_train,W,B,beta);T_sim2=elm_predict(p_test,W,B,beta);% 计算评价指标[R2_train,MAE_train,RMSE_train]=calc_metrics(t_train,T_sim1);[R2_test,MAE_test,RMSE_test]=calc_metrics(t_test,T_sim2);%% 结果可视化figure;subplot(2,1,1);plot(1:length(t_train),t_train,'r-o',1:length(t_train),T_sim1,'b-*');title('训练集预测结果');legend('真实值','预测值');xlabel('样本');ylabel('输出值');subplot(2,1,2);plot(1:length(t_test),t_test,'r-o',1:length(t_test),T_sim2,'b-*');title('测试集预测结果');legend('真实值','预测值');xlabel('样本');ylabel('输出值');% 绘制适应度曲线figure;plot(curve,'LineWidth',1.5);title('PSO适应度收敛曲线');xlabel('迭代次数');ylabel('适应度值');

2. 关键函数实现

2.1 ELM适应度函数（elm_fitness.m）

functionerror=elm_fitness(x,P,T,hiddennum,inputnum,outputnum)% 解码粒子位置为ELM参数[W,B,beta]=decode_params(x,inputnum,hiddennum,outputnum);% 计算隐层输出H=1./(1+exp(-(P*W+repmat(B',size(P,1),1))));% 计算输出权重beta=pinv(H)*T;% 预测输出Y=H*beta;% 计算均方误差（适应度值）error=mean((Y-T).^2);end

2.2 ELM参数解码（decode_params.m）

function[W,B,beta]=decode_params(x,inputnum,hiddennum,outputnum)% 参数解码idx=1;W=reshape(x(idx:idx+inputnum*hiddennum-1),hiddennum,inputnum);idx=idx+inputnum*hiddennum;B=x(idx:idx+hiddennum-1);idx=idx+hiddennum;beta=reshape(x(idx:idx+hiddennum*outputnum-1),outputnum,hiddennum);end

2.3 PSO优化算法（PSO.m）

function[Best_pos,Best_score,curve]=PSO(Particles_no,Max_iter,lb,ub,dim,fobj)% 初始化粒子群w=0.729;% 惯性权重c1=1.49445;% 个体学习因子c2=1.49445;% 社会学习因子pop=lb+(ub-lb).*rand(Particles_no,dim);V=zeros(Particles_no,dim);% 初始化个体最优和全局最优pbest=pop;pbest_cost=inf(1,Particles_no);gbest=pop(1,:);gbest_cost=inf;% 适应度计算fori=1:Particles_nopbest_cost(i)=fobj(pop(i,:));ifpbest_cost(i)<gbest_cost gbest=pop(i,:);gbest_cost=pbest_cost(i);endend% 迭代优化curve=zeros(1,Max_iter);foriter=1:Max_iterfori=1:Particles_no% 更新速度和位置V(i,:)=w*V(i,:)+c1*rand(1,dim).*(pbest(i,:)-pop(i,:))+...c2*rand(1,dim).*(gbest-pop(i,:));pop(i,:)=pop(i,:)+V(i,:);% 边界处理pop(i,:)=max(pop(i,:),lb);pop(i,:)=min(pop(i,:),ub);% 更新个体最优cost=fobj(pop(i,:));ifcost<pbest_cost(i)pbest(i,:)=pop(i,:);pbest_cost(i)=cost;ifcost<gbest_cost gbest=pop(i,:);gbest_cost=cost;endendendcurve(iter)=gbest_cost;endBest_pos=gbest;Best_score=gbest_cost;end

2.4 ELM训练与预测（elm_train_best.m / elm_predict.m）

% 训练函数（整合最优参数）function[W,B,beta]=elm_train_best(Best_pos,P,T,hiddennum,inputnum,outputnum)[W,B,beta]=decode_params(Best_pos,inputnum,hiddennum,outputnum);H=1./(1+exp(-(P*W+repmat(B',size(P,1),1))));beta=pinv(H)*T;end% 预测函数functionY=elm_predict(P,W,B,beta)H=1./(1+exp(-(P*W+repmat(B',size(P,1),1))));Y=H*beta;end

2.5 性能评估指标（calc_metrics.m）

function[R2,MAE,RMSE]=calc_metrics(true,pred)R2=1-sum((true-pred).^2)/sum((true-mean(true)).^2);MAE=mean(abs(true-pred));RMSE=sqrt(mean((true-pred).^2));end

二、代码使用说明

1. 数据准备

   • 将数据集保存为Excel文件（最后一列为输出变量）

   • 修改main.m中的文件路径和参数设置

2. 参数调整建议

   % PSO参数优化范围（根据问题调整）lb=-1*ones(1,dim);% 下界ub=1*ones(1,dim);% 上界% ELM结构参数hiddennum=50;% 隐含层节点数（建议20-100）

3. 运行流程

   main.m → PSO优化 → ELM训练 → 预测与评估

三、实验结果示例

参考代码 matlab优化PSOELM算法源码www.youwenfan.com/contentcsq/59992.html

四、应用场景扩展

1. 时间序列预测

   % 输入数据格式：[t-3, t-2, t-1] → 预测tkim=3;% 延时步长zim=1;% 预测步长

2. 多输入多输出系统

   % 修改输入输出维度inputnum=size(p_train,1);outputnum=size(t_train,2);

五、参考文献

1. 基于粒子群算法优化极限学习机的回归预测（CSDN博客）

2. PSO-ELM在时序预测中的应用（知乎专栏）

3. 极限学习机参数优化方法研究（IEEE论文）

4. MATLAB粒子群算法实现详解（MATLAB官方文档）