基于WOA-BP神经网络回归预测的Python代码实现

在数据科学和机器学习领域，回归预测是一个重要且常见的任务。传统的BP（反向传播）神经网络虽然在解决非线性回归问题上表现出色，但其性能往往受到初始权重和偏置的随机性影响。为了进一步提高BP神经网络的预测精度和稳定性，本文将介绍一种结合鲸鱼优化算法（WOA）与BP神经网络的回归预测方法WOA-BP神经网络。

一、WOA-BP算法概述

1.鲸鱼优化算法（WOA）

鲸鱼优化算法（Whale Optimization Algorithm, WOA）是由Mirjalili等人于2016年提出的一种新型启发式优化算法。该算法灵感来源于座头鲸的狩猎行为，特别是其独特的泡泡网觅食法。WOA通过模拟鲸鱼的围捕和驱赶行为，实现全局优化搜索。其核心思想是利用随机或最佳搜索代理来模拟鲸鱼的围捕行为，并通过螺旋机制模拟泡泡网觅食的攻击机制，以此达到优化目的。

2.BP神经网络（BP）

BP神经网络是一种常见的人工神经网络模型，由输入层、隐藏层和输出层构成。通过前向传播和反向传播算法不断调整网络参数，以最小化损失函数，实现模型的训练和预测。BP神经网络具有较强的非线性拟合能力，适用于各种回归预测问题。

3.WOA-BP算法

为了提高BP神经网络的性能，可以将WOA算法与BP神经网络相结合。在WOA-BP算法中，WOA算法用于优化BP神经网络的权重和偏置参数。通过模拟鲸鱼的搜索行为来寻找最优的权重和偏置配置，从而减小预测误差并提高模型的准确性和泛化能力。基本步骤：

数据准备：收集和准备用于训练和测试的数据集。

初始化网络：初始化BP神经网络的结构和参数，包括输入层、隐藏层和输出层的节点数量以及权重和偏置的初始值。

WOA优化：使用WOA算法对BP神经网络的权重和偏置参数进行优化。在每一次迭代中，根据当前的解空间位置和适应度值调整权重和偏置的值。

训练网络：使用优化后的BP神经网络对数据集进行训练。通过前向传播和反向传播算法不断调整权重和偏置的值直到满足停止准则。

数据预测：使用训练好的网络对新的数据进行预测并输出预测结果。

二、实验步骤

WOA-BP神经网络回归预测步骤：

1.数据准备

首先，需要准备用于回归预测的数据集。这些数据集应包括输入特征和对应的目标值。在多维回归预测中，输入特征可以是多个变量，而目标值则是我们希望通过这些输入变量预测的结果。

2.BP神经网络模型设计

设计一个适合多维回归预测的BP神经网络模型。模型的输入层神经元数量应与数据特征的维度相匹配，输出层神经元数量应与回归的目标值维度相匹配。中间隐藏层的神经元数量和层数可以根据具体问题进行调整。

3.WOA算法优化BP神经网络

利用WOA算法对BP神经网络的初始权重和偏置进行优化。具体步骤如下：

初始化：随机初始化一组鲸鱼群，代表BP神经网络的权重和偏置。

构建BP神经网络：根据输入数据构建BP神经网络模型，并设置网络结构。

适应度评估：使用训练数据集对BP神经网络进行训练，并计算适应度值（如均方误差），反映模型的预测性能。

位置更新：根据WOA算法的捕猎策略，更新每个鲸鱼的位置（即BP神经网络的权重和偏置）。

迭代优化：重复适应度评估和位置更新过程，直至达到预设的迭代次数或适应度收敛。

4.模型训练与评估

将优化后的BP神经网络模型用于训练数据集进行训练，并使用测试集对模型进行评估。评估指标可以包括均方误差（MSE）、平均绝对误差（MAE）等。

5.结果分析与验证

对优化后的WOA-BP神经网络模型进行结果分析与验证，观察模型的回归效果，并检验模型的泛化能力。通过对比优化前后的模型性能，验证WOA算法对BP神经网络预测性能的提升效果。

三、代码部分

import numpy as np
import random
import pandas as pd
import torch
import torch.nn as nn
from sklearn.preprocessing import MinMaxScaler
import torch.optim as optim
import matplotlib
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
matplotlib.rcParams['font.sans-serif'] = ['SimHei']
matplotlib.rcParams['axes.unicode_minus'] = False

# 导入数据
data = pd.read_csv('数据集.csv').values

# 划分训练集和测试集
np.random.seed(0)
temp = np.random.permutation(len(data))

P_train = data[temp[:80], :7]
T_train = data[temp[:80], 7]
P_test = data[temp[80:], :7]
T_test = data[temp[80:], 7]

# 数据归一化
scaler_input = MinMaxScaler(feature_range=(0, 1))
scaler_output = MinMaxScaler(feature_range=(0, 1))

p_train = scaler_input.fit_transform(P_train)
p_test = scaler_input.transform(P_test)

t_train = scaler_output.fit_transform(T_train.reshape(-1, 1)).ravel()
t_test = scaler_output.transform(T_test.reshape(-1, 1)).ravel()
# 转换为 PyTorch 张量
p_train = torch.tensor(p_train, dtype=torch.float32).to(device)
t_train = torch.tensor(t_train, dtype=torch.float32).view(-1, 1).to(device)
p_test = torch.tensor(p_test, dtype=torch.float32).to(device)
t_test = torch.tensor(t_test, dtype=torch.float32).view(-1, 1).to(device)

# 初始化网络
class BPNetwork(nn.Module):
    def __init__(self, input_size, hidden_size, output_size):
        super(BPNetwork, self).__init__()
        self.hidden = nn.Linear(input_size, hidden_size)
        self.relu = nn.ReLU()
        self.output = nn.Linear(hidden_size, output_size)

    def forward(self, x):
        x = self.relu(self.hidden(x))
        x = self.output(x)
        return x

input_size = p_train.shape[1]
hidden_size = 14
output_size = t_train.shape[1]
bp_net = BPNetwork(input_size, hidden_size, output_size).to(device)

# 损失函数
criterion = nn.MSELoss()

四、实验与结果

1.数据集准备

为了验证WOA-BP算法的有效性，我们选择了某领域的一组数据集进行实验。数据集包括多个输入特征和对应的目标输出，用于训练和测试模型。本次实验采取的数据。

 

2.结果分析

实验结果表明，将鲸鱼优化算法（WOA）与反向传播神经网络（BP）相结合的WOA-BP算法，在回归预测问题上展现出了显著的优势，相比传统的BP神经网络及其他优化算法如，其在多个方面均有出色的表现。WOA-BP算法通过结合鲸鱼优化算法的全局搜索能力和反向传播神经网络的非线性建模能力，在回归预测问题上实现了预测准确度、鲁棒性、稳定性和泛化能力的全面提升。这一算法在多个领域具有广泛的应用前景，特别是在需要高精度预测和复杂数据处理的应用场景中展现出巨大的潜力。

（1） 训练集预测结果对比图

 

（2）测试集预测结果对比图 

 

（3） 训练集线性回归

 

（4） 测试集线性回归

（5）其他性能计算 

 

五、结论

通过结合WOA算法和BP神经网络，本文提出了一种有效的回归预测方法WOA-BP神经网络。实验结果表明，该方法在数据集上均取得了良好的预测效果，验证了其在提高预测精度和稳定性方面的优势。未来，我们可以进一步探索不同优化算法与神经网络模型的结合，以应对更复杂的回归预测问题。有什么问题可以打在评论区！