【25年新算法】AGDO-LSSVM，梯度下降优化算法优化最小二乘支持向量机回归预测，AGDO-LSSVM回归预测，多变量输入模型。本期介绍一种新的基于数学的创新元启发式算法——Adam梯度下降优

【25年新算法】AGDO-LSSVM，梯度下降优化算法优化最小二乘支持向量机回归预测，AGDO-LSSVM回归预测，多变量输入模型。

本期介绍一种新的基于数学的创新元启发式算法——Adam梯度下降优化算法Adam Gradient Descent Optimizer (AGDO)。AGDO受到Adam优化器的启发，利用渐进式梯度动量积分、动态梯度交互系统和系统优化算子三个规则来探索整个搜索过程。于2025年7月最新发表在JCR 1区 SCI，Nature子刊期刊 scientific reports。

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。

%% 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