改进的鲸鱼算法（IWOA）优化BP神经网络原理及Matlab代码复现

目录

0 引言

1 数学模型

2 模型性能提升

3 Maltab代码

3.1 伪代码

3.3 IWOA-BP

0 引言

为了缓解 WOAQ 易陷入局部最优和收敛精度低的问题，武泽权等人提出一种改进的鲸鱼优化算法(IWOA)。该算法通过准反向学习方法来初始化种群，提高种群的多样性；然后将线性收敛因子修改为非线性收敛因子，有利于平衡全局搜索和局部开发能力；另外，通过增加自适应权重改进鲸鱼优化算法的局部搜索能力，提高收敛精度；最后，通过随机差分变异策略及时调整鲸鱼优化算法，避免陷入局部最优。

1 数学模型

IWOA是在WOA的基础上引入三个方面的策略提高WOA的求解精度和全局搜索性，分别是准反向学习初始化种群、非线性收敛因子策略和自适应权重策略与随机差分法变异策略，具体模型如下：

1）准反向学习初始化种群：WOA采用的是随机初始化的方法，该方法随机性很大，不能保证初始种群的多样性。因此改进该策略引入了反 向学习的改进方法，即准反向学习来初始化种群。具体模型如下：

式（7）为对种群初始化的反向解，式（8）为种群准方向解，式（9）为准方向和随机中选取更适应全局性种群位置。其中a,b为问题维度边界。

2）非线性收敛因子：由于收敛因子 a 进行线性变化并不能很好地调节全局搜索能力和局部开发能力，因此本文提出来一种非线性收敛因子来优化模型：

式中max_iter 为 最 大 迭 代 次 数 ; t 为 当 前 迭 代 次 数 ; μ 和 φ 是 其表达 式 相 关 参 数 ， 选 取 μ =1/2，φ=0.

3）自适应权重策略与随机差分法变异策略：WOA在后期局部开发时易陷入局部最优，出现早熟收敛的现象，为了使算法能够保持种群的多样性并且能够及时跳出局部最优，提出来一种自适应权重策略和随机差分变异策略。具体数学表达式如下：

式(11)(12)为自适应权重下鲸鱼气泡攻击，式（13）引入随机差分提高模型多样性，其中ω为自适应权重。

2 模型性能提升

IWOA-BP和WOA-BP的模型性能如下：数据为UCI单输出回归数据：

1）精度指标

2）寻优指标

3 Maltab代码

3.1 伪代码

3.3 IWOA-BP

单输出回归预测模型、多输出回归预测模型、分类模型和时间序列模型代码复现：

（改进的鲸鱼算法优化BP神经网络（IWOA-BP）-CSDN博客）