要使用灰狼优化算法（GWO）优化支持向量机（SVM）进行多输入单输出回归预测，你可以使用MATLAB。以下是一个简单的示例代码，演示如何使用GWO算法优化SVM模型以进行回归预测：
matlab
复制
% 生成一些示例数据
X = 10 * rand(100, 2);
y = 2X(:,1) + 3X(:,2) + randn(100, 1);
% 定义适应度函数（SVM回归）
fitness = @(params) svm_regression_fitness(params, X, y);
% 定义GWO参数
nVar = 2; % 变量数（SVM参数）
VarSize = [1, nVar];
VarMin = 0; % 参数最小值
VarMax = 10; % 参数最大值
MaxIt = 100; % 迭代次数
nPop = 20; % 灰狼群体数量
% 初始化灰狼位置
Positions = rand(nPop, nVar) .* (VarMax - VarMin) + VarMin;
% GWO主循环
BestSol = gwo(fitness, MaxIt, Positions, VarMax, VarMin);
% 显示最佳解决方案
disp(‘最佳解决方案:’);
disp(BestSol);
% SVM回归适应度函数
function z = svm_regression_fitness(params, X, y)
% 解压参数
C = params(1);
epsilon = params(2);
% 训练SVM模型
model = fitrsvm(X, y, 'BoxConstraint', C, 'Epsilon', epsilon);
% 预测
yPred = predict(model, X);
% 计算MSE作为适应度
z = mse(y - yPred);
end
在这个示例中，我们首先生成一些示例数据，然后定义了一个SVM回归的适应度函数。接下来，我们设置了GWO算法的参数，并初始化了灰狼的位置。最后，我们使用GWO算法找到最佳的SVM参数。