北方苍鹰算法（NGO）优化BP神经网络原理及MATLAB代码复现

无事码一章

于 2024-10-04 08:00:00 发布

阅读量774

点赞数 27

分类专栏： BP神经网络智能算法文章标签：算法 matlab 神经网络机器学习

本文链接：https://blog.csdn.net/2401_86633719/article/details/142674365

版权

智能算法同时被 2 个专栏收录

27 篇文章 0 订阅

订阅专栏

BP神经网络

10 篇文章 0 订阅

订阅专栏

0 引言

北方苍鹰算法（Northern Goshawk Optimization,NGO）是MOHAMMAD DEHGHANI等人于2021年基于北方苍鹰的捕食行为提出的群智能算法，该算法模拟苍鹰在狩猎过程中对猎物的识别、猎物的逃生、苍鹰追逐及攻击的行为，作为算法寻优过程全局搜索和局部开发。

1 数学模型

NGO是的数学模型是苍鹰俩个阶段的模型理想化构建，第一阶段是随机识别猎物并进行攻击，第二阶段是猎物试图逃脱和苍鹰的追捕，以此作为模型全局搜索和局部开发，具体见下：

1）初始化：在NGO算法开始时，在搜索空间中随机初始化种群个体位置。具体位置和对应适应度解如下：

式中X为种群位置，F为种群位置对应适应度解，其中N为种群规模，m为问题维度。

2）猎物的识别和攻击（探索）：北方苍鹰随机选择识别一个猎物，然后迅速攻击它。由于在搜索空间中对猎物的随机选择，这一阶段增加了算法的全局探索能力。其数学模型如下：

式中P为苍鹰随机识别猎物位置，Fp为猎物的适应度解，k为随机选择整数，用于帮助NGO候选解的随机跳跃，增强多样性；r是0到1的随机数,I是一个随机数，可以是1或2，式（5）新苍鹰位置更新，用于增强模型精度。

3）追逐和逃生操作（开发）：在北方的苍鹰攻击猎物后，猎物试图逃跑。则北方苍鹰继续追逐猎物。由于北方苍鹰的高速发展，它们几乎可以在任何情况下追逐猎物并最终捕猎。因此该行为可以增强算法局部开发能力。具体表达式如下：

式中R为苍鹰追捕范围，以攻击猎物为中心的半径，t为当前迭代，T为最大迭代。

2 优化方式

前篇对BP神经网络原理讲解（BP神经网络原理及Matlab代码复现-CSDN博客），从BP神经网络原理讲解中可以发现预测值主要受权值和阈值调整修正完成。因此结合上述NGO原理介绍，可以将BP神经网络权值和阈值作为北方苍鹰种群位置，每一个种群位置对应BP神经网络的预测值，将这个预测值作为适应度进行上述北方苍鹰捕食行为，更新更优的苍鹰个体。

3 MATLAB代码

3.1 伪代码

3.2 NGO主函数代码

%% 根据 搜索阶段和开发阶段更新北方苍鹰
    for i=1:Search_Agents
        %搜索阶段：猎物识别
        I=round(1+rand);% I是1或2的随机数2
        k=randperm(Search_Agents,1);
        P=X(k,:); % Eq. (3)
        F_P=fit(k);
        
        if fit(i)> F_P
            X_new(i,:)=X(i,:)+rand(1,dimensions) .* (P-I.*X(i,:)); % Eq. (4)
        else
            X_new(i,:)=X(i,:)+rand(1,dimensions) .* (X(i,:)-P); % Eq. (4)
        end
        X_new(i,:) = max(X_new(i,:),Lowerbound);
        X_new(i,:) = min(X_new(i,:),Upperbound);
        
        % Eq.(5)
        L=X_new(i,:);
        fit_new(i)=SYD(L,net);
        net.trainParam.showWindow = 0;
        if(fit_new(i)<fit(i))
            X(i,:) = X_new(i,:);
            fit(i) = fit_new(i);
        end
        
        % 开发阶段：尾随追逐
        R=0.02*(1-t/Max_iterations); %该狩猎点与攻击位置的半径Eq(7)
        X_new(i,:)= X(i,:)+ (-R+2*R*rand(1,dimensions)).*X(i,:);% Eq.(6)
        
        X_new(i,:) = max(X_new(i,:),Lowerbound);
        X_new(i,:) = min(X_new(i,:),Upperbound);
        
        % Eq (8)
        L=X_new(i,:);
        fit_new(i)=SYD(L,net);
        net.trainParam.showWindow = 0;
        if(fit_new(i)<fit(i))
            X(i,:) = X_new(i,:);
            fit(i) = fit_new(i);
        end       
    end

    best_so_far(t)=fbest; 
    average(t) = mean (fit);
    Score=fbest;
    Best_pos=xbest;
    NGO_curve(t)=Score;
end
end