%%FOA-LSSVM
%數據準備
clc;clear?all;?close?all;%清空數據變量
d=1:1:30;t=1:1:24;%6月份30天的整點負荷數據、氣象數據、日期類型作為歷史數據，1號到29號的數據作為訓練數據30號的數據作為測試數據
format?long?g
A=xlsread（‘E:\博士\計算工具\仿真matlab模型\預測數據\7月預測數據\7月整點負荷監測.xls‘‘B2:Y32‘）;%導入7月份負荷數據
B=xlsread（‘E:\博士\計算工具\仿真matlab模型\預測數據\7月預測數據\7月氣象\7月氣溫.xlsx‘‘B2:Y32‘）;%導入7月份溫度數據
C=xlsread（‘E:\博士\計算工具\仿真matlab模型\預測數據\7月預測數據\7月氣象\7月相對濕度.xlsx‘‘B2:Y32‘）;%導入7月份濕度數據
D=xlsread（‘E:\博士\計算工具\仿真matlab模型\預測數據\7月預測數據\7月氣象\7月thi溫濕指數.xlsx‘‘B2:Y32‘）;%導入7月份溫濕指數數據
E=xlsread（‘E:\博士\計算工具\仿真matlab模型\預測數據\7月預測數據\7月氣象\7月sd人體舒適度‘‘B2:Y32‘）;%導入7月份人體舒適度數據
%F=[0.3;0.3;0.1;0.1;0.1;0.1;0.2;0.2;0.1;0.1;0.1;0.1;0.1;0.2;0.2;0.1;0.1;0.1;0.1;0.1;0.2;0.2;0.1;0.1;0.1;0.1;0.1;0.2;0.2;0.1];
%F=[F?F?F?F?F?F?F?F?F?F?F?F?F?F?F?F?F?F?F?F?F?F?F?F];%6月份日類型
%%-------------------------------------------------
%%----30號0時刻負荷預測模型
%導入數據
for?j=1:24%列
Aj=A（23:30j）;%31日前8天0時刻負荷數據
Bj=B（23:30j）;%31日前8天0時刻溫度數據
Cj=C（23:30j）;%31日前8天0時刻濕度數據
Dj=D（23:30j）;%31日前8天0時刻降水量數據
Ej=E（23:30j）;%30日前8天0時刻風力數據
aj=[A（3015:24）?A（311:j）];%0時刻前10個時刻負荷數據
bj=[B（3015:24）?B（311:j）];%0時刻前10個時刻溫度數據
cj=[C（3015:24）?C（311:j）];%0時刻前10個時刻濕度數據
dj=[D（3015:24）?D（311:j）];%0時刻前10個時刻降水量數據
ej=[E（3015:24）?E（311:j）];%0時刻前10個時刻風力數據
Lj=[Aj;aj‘];
Wj=[Bj;bj‘];
Sj=[Cj;cj‘];
Jj=[Dj;dj‘];
Fj=[Ej;ej‘];
trainj=[Lj?Wj?Sj?Jj?Fj]
train_outj?=?[Aj‘?aj]
testj=[A（31j）?B（31j）?C（31j）?D（31j）?E（31j）]?
test_outj?=?A（31j）
%%數據歸一化
%%歸一化方法1（利用libsvm工具箱函數歸一化）
[train_datajtest_dataj]=scaleForSVM（trainjtestj01）
[train_resultjtest_resultjpstrain1]=scaleForSVM（train_outj‘test_outj‘01）
%%?參數初始化
%***初始果蠅群體位置
X_axis=rands（12）
Y_axis=rands（12）
maxgen=100%迭代次數
sizepop=30%種群規模

%%定義lssvm相關參數
type=‘f‘;
kernel?=?‘RBF_kernel‘;
proprecess=‘proprecess‘;

%***果蠅尋優開始
%利用嗅覺尋找食物

for?i=1:sizepop
%初始果蠅個體飛行距離
X（i:）=X_axis+20*rand（）-10
Y（i:）=Y_axis+20*rand（）-10
%求出與原點之距離
D（i1）=（X（i1）^2+Y（i1）^2）^0.5
D（i2）=（X（i2）^2+Y（i2）^2）^0.5
%味道濃度為距離倒數，先求出味道濃度判定值
Dist=max（D（:1））
B=Dist*（0.8-rand（））;
S（i1）=1/D（i1）+B
S（i2）=1/D（i2）+B
%設定LSSVM參數值
type=‘f‘;
kernel?=?‘RBF_kernel‘;
proprecess=‘proprecess‘;
C=10*S（i1）%利用FOA調整參數C
loss=‘einsensitive‘
e=S（i2）%利用FOA調整參數e
%?計算初始適應度
????gam=D（i1）
?????sig2=D（i2）
?????model=initlssvm（train_datajtrain_resultjtypegamsig2kernelproprecess）;
?????model=trainlssvm（model）;
?????%求出訓練集和測試集的預測值
?????[train_predict_yjztmodel]=simlssvm（modeltrain_dataj）;
?????[test_predict_yjztmodel]=simlssvm（modeltest_dataj）;
?????%預測數據反歸一化
?????train_predictj=mapminmax（‘reverse‘train_predict_yj‘pstrain1）%訓練集預測值
?????test_predictj=mapminmax（‘reverse‘test_predict_yj‘pstrain1）??%測試集預測值
?????%計算均方差
????trainmsej=sum（（train_predictj-train_outj）.^2）/length（train_resultj）
????testmsej=sum（（test_predictj-test_outj）.^2）/length（test_resultj）????
????fitness（i）=testmsej??????%以測試集的預測值計算的均方差為適應度值
????end
?????%根據初始味道濃度值尋找初始值