代码实现了一套基于改进灰狼优化算法IGWO自动调参的Transformer回归预测并配有SHAP可解释性分析模块。以下是各要点简述研究背景Transformer模型在序列回归任务中表现优异但其超参数如注意力头数对预测精度影响显著手动调参效率低且依赖经验。改进灰狼优化算法IGWO通过融合混沌初始化、维度学习狩猎DLH及个体最优引导等策略增强了全局搜索能力可有效解决超参数自动优选问题。主要功能利用IGWO自动搜索Transformer回归模型的最佳注意力头数。训练优化后的Transformer网络进行多输入多输出回归预测。对比优化前后模型的RMSE、R²、MAE等指标绘制收敛曲线、预测曲线、雷达图等。基于合作博弈的SHAP值可视化各特征对每维输出的贡献程度。支持新数据批量预测与结果保存。算法步骤数据准备读取Excel回归数据对输入5个特征和输出2个目标进行[0,1]归一化按8:2划分训练集和测试集。超参数优化以测试集RMSE最小化为目标调用IGWO搜索Transformer注意力头数范围为2~20种群10最大迭代10次。模型搭建与训练用最优头数bestheads构建包含序列输入层、位置编码层、因果自注意力层、标准自注意力层、全连接层和回归层的Transformer网络。采用Adam优化器训练500轮初始学习率0.01每200轮衰减0.1。预测与对比对训练/测试集进行预测并反归一化与未优化的yuantrans模型比较指标。可解释性分析计算测试样本的SHAP值生成蜂群图和条形图揭示特征重要性。新数据预测载入新输入数据利用newpre函数完成归一化→预测→反归一化输出预测值。技术路线数据归一化 → 训练/测试集划分 → IGWO优化超参数注意力头数→ 构建Transformer网络 → Adam训练 → 预测反归一化 → 优化前后指标对比RMSE/R²/MAE → 多维度可视化收敛曲线、拟合散点图、相对误差柱状图、雷达图→ SHAP特征贡献分析 → 新样本预测。公式原理IGWO核心更新机制标准GWO位置更新X1Xα−A1⋅∣C1Xα−X∣,X2Xβ−A2⋅∣C2Xβ−X∣,X3Xδ−A3⋅∣C3Xδ−X∣X_1 X_\alpha - A_1 \cdot |C_1 X_\alpha - X|, \quad X_2 X_\beta - A_2 \cdot |C_2 X_\beta - X|, \quad X_3 X_\delta - A_3 \cdot |C_3 X_\delta - X|X1​Xα​−A1​⋅∣C1​Xα​−X∣,X2​Xβ​−A2​⋅∣C2​Xβ​−X∣,X3​Xδ​−A3​⋅∣C3​Xδ​−X∣XGWO(X1X2X3)/3X_{\text{GWO}} (X_1X_2X_3)/3XGWO​(X1​X2​X3​)/3其中A2ar1−aA2a r_1-aA2ar1​−aC2r2C2r_2C2r2​aaa从2线性递减至0。DLH候选位置通过计算个体间欧氏距离构建邻域随机选择邻居维度进行学习XDLH,dXi,drand⋅(Xn,d−Xr,d)X_{\text{DLH},d} X_{i,d} \text{rand}\cdot(X_{n,d} - X_{r,d})XDLH,d​Xi,d​rand⋅(Xn,d​−Xr,d​)选择策略比较XGWOX_{\text{GWO}}XGWO​与XDLHX_{\text{DLH}}XDLH​的适应度择优保留再与个体历史最优pBest比较更新形成精英引导。初始化采用混沌映射如Tent映射提升种群多样性。Transformer核心位置编码与输入嵌入相加后分别进入因果自注意力遮挡未来信息和标准自注意力提取时序特征最后由全连接层输出多步回归值。SHAP原理ϕj∑S⊆F∖{j}∣S∣!(∣F∣−∣S∣−1)!∣F∣![fx(S∪{j})−fx(S)]\phi_j \sum_{S\subseteq F\setminus\{j\}} \frac{|S|!(|F|-|S|-1)!}{|F|!} [f_x(S\cup\{j\}) - f_x(S)]ϕj​S⊆F∖{j}∑​∣F∣!∣S∣!(∣F∣−∣S∣−1)!​[fx​(S∪{j})−fx​(S)]通过遍历特征子集计算边际贡献衡量每个特征对预测的影响。参数设定IGWO种群数N10N10N10最大迭代Max_iter10Max\_iter10Max_iter10混沌映射label1Tent映射搜索边界lb2lb2lb2ub20ub20ub20变量维度dim1dim1dim1。Transformer最佳头数由IGWO确定取整总通道数Channelsbestheads×4Channelsbestheads\times4Channelsbestheads×4最大位置编码长度maxPosition128maxPosition128maxPosition128。训练Adam优化器最大500轮初始学习率0.01学习率下降因子0.1每200轮衰减每轮洗牌CPU执行。数据划分训练集占比0.8可自选是否打乱样本顺序。运行环境MATLAB2024b。外部文件回归数据.xlsx、新的多输入.xlsx。应用场景适用于具有多变量时序特征的多输出回归问题如工业过程关键质量指标预测如温度、压力对多个产物的影响。能源领域多步负荷/发电量预测。金融时间序列中多个关联指数的联合预测。任何需自动优化Transformer超参数并解释特征贡献的回归建模任务。完整代码私信回复IGWO-Transformer模型回归SHAP分析新数据预测多输出深度学习可解释分析附MATLAB代码