1. 研究背景
Transformer模型在序列回归任务中表现出色，但其性能高度依赖超参数（如自注意力头数）。传统手动调参效率低、易陷入局部最优。蜣螂优化算法（DBO）是一种新型群智能优化算法，具有较强的全局搜索能力，但其随机初始化可能导致种群多样性不足。引入混沌映射改进种群初始化，可提升算法收敛速度和解的质量，适用于Transformer超参数的自动寻优。
2. 主要功能
- 超参数优化 ：自动搜索Transformer的最佳注意力头数（
heads），最小化测试集RMSE。 - 性能对比：将优化后的Transformer与固定头数（heads=1）的未优化模型进行RMSE、R²、MAE多指标对比。
- 多样可视化：收敛曲线、预测对比图、相对误差图、回归拟合图、雷达图等。
- SHAP分析：计算并可视化输入特征对每个输出的贡献（蜂群图、条形图），增强模型可解释性。
- 新数据预测：支持输入新样本，自动归一化、预测并反归一化输出结果。
3. 算法步骤
-
数据预处理
- 读取
回归数据.xlsx，提取输入X（5维）和输出Y（2维）。 mapminmax归一化到[0,1]，按比例划分为训练集和测试集，转为cell格式供Transformer使用。
- 读取
-
DBO参数初始化
- 设定种群数
N=10，最大迭代M=10，搜索边界[2,20]，维度dim=1。 - 选择混沌映射类型
label=1（Tent映射）生成初始种群。
- 设定种群数
-
适应度函数定义（
fit.m）- 输入：
heads。 - 构建Transformer网络（2个自注意力层，
Channels = heads*4），训练200轮，返回测试集RMSE作为适应度值。
- 输入：
-
DBO迭代寻优
- 生产者更新 ：按比例
P_percent=0.2选择生产者，根据随机数采用两种搜索策略（局部扰动或角度偏转）。 - 跟随者/小偷更新：其余个体根据当前最优解和随机扰动更新位置。
- 边界处理，更新个体极值和全局最优解，记录收敛曲线。
- 生产者更新 ：按比例
-
模型重建与评估
- 采用最优
bestheads重新训练Transformer（500轮），预测训练集和测试集。 - 同时运行未优化模型（
yuantrans.m，heads=1），计算各指标并生成对比图表。
- 采用最优
-
SHAP值分析
shapley_function.m遍历特征子集，计算每个样本的Shapley值，绘制蜂群图（特征贡献分布）和条形图（全局重要性）。
-
新数据预测
newpre.m读取新的多输入.xlsx，归一化后预测，反归一化并输出到新的输出.xlsx。
4. 技术路线
数据加载 → 归一化 → 训练/测试划分 → 混沌映射初始化种群
↓
DBO迭代：种群更新（生产者、小偷）→ 适应度计算（训练Transformer）
↓
获得最优头数 → 训练最终Transformer → 预测反归一化 → 精度指标
↓
对比未优化Transformer → 雷达图/误差图/拟合图
↓
SHAP分析 → 新数据预测（可选）
5. 核心公式与原理
-
Tent混沌映射
xn+1={xn/μ,0≤xn<μ(1−xn)/(1−μ),μ≤xn≤1x_{n+1} = \begin{cases} x_n / \mu, & 0 \le x_n < \mu \\ (1-x_n)/(1-\mu), & \mu \le x_n \le 1 \end{cases}xn+1={xn/μ,(1−xn)/(1−μ),0≤xn<μμ≤xn≤1其中 μ=1.2，生成遍历性更好的初始种群。
-
DBO生产者更新（代码中主要策略）
- 策略1（r2<0.9）：
X_{new} = X + 0.3\|X - X_{worst}\| + a \\cdot 0.1 \\cdot XX
其中a = \\pm1 ，，，XX为上一代位置。 - 策略2（r2≥0.9）：
Xnew=X+tan(θ)⋅∣X−XX∣X_{new} = X + \tan(\theta) \cdot |X - XX|Xnew=X+tan(θ)⋅∣X−XX∣，θ 随机取自 0∼π。
- 策略1（r2<0.9）：
-
Transformer前向计算
输入序列 → 位置编码 → 自注意力（因果掩码+普通）→ 取最后时间步 → 全连接层 → 回归输出（MSE损失）。
-
Shapley值
ϕj=∑S⊆F∖{j}∣S∣!(∣F∣−∣S∣−1)!∣F∣![fS∪{j}(xS∪{j})−fS(xS)] \phi_j = \sum_{S \subseteq F \setminus \{j\}} \frac{|S|!(|F|-|S|-1)!}{|F|!} [f_{S \cup \{j\}}(x_{S \cup \{j\}}) - f_S(x_S)] ϕj=S⊆F∖{j}∑∣F∣!∣S∣!(∣F∣−∣S∣−1)![fS∪{j}(xS∪{j})−fS(xS)]遍历特征子集，计算特征 ( j ) 的边际贡献加权和。
6. 参数设定
| 模块 | 参数 | 设定值 |
|---|---|---|
| DBO | 种群规模 N | 10 |
| 最大迭代 M | 10 | |
| 生产者比例 P_percent | 0.2 | |
| 混沌映射 label | 1 (Tent) | |
| 搜索空间 | [2, 20] | |
| 优化中Transformer | 最大训练轮数 | 200 |
| 学习率 | 0.01 | |
| 学习率下降因子 | 0.1 (第150轮) | |
| 最终Transformer | 最大训练轮数 | 500 |
| 学习率下降时刻 | 第200轮 | |
| 未优化Transformer | 最大训练轮数 | 100 |
| 学习率下降时刻 | 第50轮 | |
| 头数 heads | 1 |
7. 运行环境
- 软件：MATLAB（R2024b推荐）
- 数据文件 ：
回归数据.xlsx、新的多输入.xlsx
8. 应用场景
- 多输入多输出回归预测：如工程系统中的性能参数预测、环境监测、金融时间序列预测等，实例数据为5个输入特征→2个输出目标。
- 超参数敏感的深度学习模型：适用于任何可通过少量超参数（如注意力头数）调节性能的Transformer回归任务，可扩展至其他参数（如学习率、层数）的优化。
- 特征重要性分析需求：借助SHAP值解释各输入变量对输出的影响，辅助领域知识验证与特征筛选。