目录
1.内容介绍
2.部分代码
3.实验结果
4.内容获取

1内容介绍

白鲸优化算法（Beluga Whale Optimizer, BWO）是一种受白鲸社会行为启发的新型群智能优化算法。该算法通过模仿白鲸群体中的合作和竞争机制来指导搜索过程，能够在复杂解空间中高效地寻找全局最优解。BWO具有良好的平衡探索（exploration）与开发（exploitation）的能力，适合解决多模态和高维度的优化问题。

随机森林（Random Forest, RF）是一种高效的集成学习方法，通过构建多个决策树并集成它们的预测结果来提高模型的准确性和稳定性。RF不仅能处理大量的输入变量，还能估计缺失数据的影响，评估各个特征的重要性，是一种非常灵活和强大的机器学习工具。

使用BWO优化RF的超参数，能够自动且有效地调整模型的关键参数，如树的数量、最大深度、最小叶节点大小等，从而提升RF模型的预测性能。BWO-RF组合不仅提高了模型的泛化能力，还减少了人为调参的复杂度和不确定性。然而，这种组合方法也面临着计算成本较高、优化过程可能较慢等挑战。

尽管存在这些局限，BWO-RF在实际应用中仍然显示出显著优势，尤其适用于需要处理大量数据和高维特征的问题，如金融风险评估、医疗健康预测、环境监测等领域，为解决实际问题提供了新的途径和技术支持。

2部分代码

%%  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
tic

%% 导入数据
load bwand

x=bwand;
[r,s] = size(x);
output=x(:,s);
input=x(:,1:s-1);  

%%  划分训练集和测试集
M = size(P_train, 2);
N = size(P_test, 2);
f_ = size(P_train, 1);

%%  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);

%%  提取最优参数
Best_pos=round(Best_pos);
n_trees = Best_pos(1);
n_layer = Best_pos(2);
n_trees1 = 1;
n_layer1 = 10;

%%  转置以适应模型
p_train = p_train'; p_test = p_test';
t_train = t_train'; t_test = t_test';

%%  创建模型
model = regRF_train(p_train, t_train, n_trees, n_layer);
mode2 = regRF_train(p_train, t_train, n_trees1, n_layer1);

%%  仿真测试
t_sim1 = regRF_predict(p_train, model);
t_sim2 = regRF_predict(p_test , model);
t1_sim1 = regRF_predict(p_train, mode2);
t1_sim2 = regRF_predict(p_test , mode2);

%%  数据反归一化
T_sim1 = mapminmax('reverse', t_sim1, ps_output);
T_sim2 = mapminmax('reverse', t_sim2, ps_output);
T1_sim1 = mapminmax('reverse', t1_sim1, ps_output);
T1_sim2 = mapminmax('reverse', t1_sim2, ps_output);

toc
T_sim1 =T_sim1';
T_sim2 =T_sim2';
T1_sim1=T1_sim1';
T1_sim2 =T1_sim2';

%% 测试集结果
figure;
plotregression(T_test,T_sim2,['回归图']);
figure;
ploterrhist(T_test-T_sim2,['误差直方图']);

%% 预测集绘图
figure
plot(1:N,T_test,'r-*',1:N,T_sim2,'b-o','LineWidth',0.5)
hold on
plot(1:N,T1_sim2,'g-+');
legend('真实值','BWO-RF预测值','RF预测值')
xlabel('预测样本')
ylabel('预测结果')
string={'测试集预测结果对比';['(R^2 =' num2str(R2) ' RMSE= ' num2str(error2)  ' MSE= ' num2str(mse2) ' MAPE= ' num2str(MAPE2) ')']};
title(string)

3实验结果

4内容获取

主页简介欢迎自取，点点关注，非常感谢！
Matlab实现BWO-RF白鲸优化算法优化随机森林算法模型源码介绍：
MATLAB完整源码和数据（MATLAB完整源码+数据）（excel数据可替换），
1.多种变量输入，单个变量输出；
2.MatlabR2018b及以上版本一键运行；
3.具有良好的编程习惯，程序均包含简要注释。