【24年新算法】KO-LSSVM，K-means优化算法优化最小二乘支持向量机回归预测，KO-LSSVM回归预测，多变量输入模型。K-means优化算法(K-means Optimizer, KO

【24年新算法】KO-LSSVM，K-means优化算法优化最小二乘支持向量机回归预测，KO-LSSVM回归预测，多变量输入模型。

K-means优化算法(K-means Optimizer, KO)是一种新型的元启发式算法（智能优化算法），灵感来源于使用K-means算法建立聚类区域的质心向量。不同于以往的动物园算法，该算法原理新颖，在优化算法中巧妙引入聚类算法，该成果由Hoang-Le Minh于2022年9月发表在SCI一区顶刊《Knowledge-Baesd Systems》上！

评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

优化EMD/VMD/ICCEMD/SVM/LSSVM/ELM/BP/KELM/RF/DELM/LSTM/BILSTM/GRU/HKELM/XGboost/PNN/CNN/VMD/ICEEMDAN/组合模型CNN-SVM/CNN-LSTM/CNN-GRU/CNN-BiLSTM/LSTM-Attention/GRU-Attention/CNN-LSTM-Attention/TCN/TCN-LSTM/TCN-BILSTM/TCN-GRU/TCN-BIGRU/BITCN/BITCN-LSTM/BITCN-BILSTM/BITCN-GRU/BITCN-BIGRU/Transformer/Transformer-LSTM/Transformer-BILSTM/Transformer-GRU/Transformer-BIGRU等等多种分类/回归/时序/分解/区间预测/多输入多输出/聚类/组合预测模型，具体私信。

%% 清空环境变量

warning off % 关闭报警信息

close all % 关闭开启的图窗

clear % 清空变量

clc % 清空命令行

%% 导入数据

res = xlsread('数据集.xlsx');

%% 数据分析

num_size = 0.75; % 训练集占数据集比例

outdim = 1; % 最后一列为输出

num_samples = size(res, 1); % 样本个数

num_train_s = round(num_size * num_samples); % 训练集样本个数

f_ = size(res, 2) - outdim; % 输入特征维度

flag_conusion = 1; % 标志位为1，打开混淆矩阵（要求2018版本及以上）

%% 划分训练集和测试集

P_train = res(1: num_train_s, 1: f_)';

T_train = res(1: num_train_s, f_ + 1: end)';

P_test = res(num_train_s + 1: end, 1: f_)';

T_test = res(num_train_s + 1: end, f_ + 1: end)';

%% 划分训练集和测试集

M = size(P_train, 2);

N = size(P_test, 2);

% 获取 https://mbd.pub/o/DDR1

%% 数据归一化

[p_train, ps_input] = mapminmax(P_train, 0, 1);

p_test = mapminmax('apply', P_test, ps_input);

[t_train, ps_output] = mapminmax(T_train, 0, 1);

t_test = mapminmax('apply', T_test, ps_output);

t_test = mapminmax('apply', T_test, ps_output);

%% 转置以适应模型

p_train = p_train'; p_test = p_test';

t_train = t_train'; t_test = t_test';

智能算法及其模型预测