多策略改进的山瞪羚算法（HMGO）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 模型性能可视化

3 MATLAB代码

3.1 伪代码

3.2 HMGO主函数

3.3 HMGO-BP

0 引言

为了提高MGO算法的全局搜索和局部开发能力，有学者提出多策略改进的山瞪羚算法（HMGO），该算法首先采用准反向学习策略，优化种群初始化，确保初始种群的广泛性。其次引入动态自适应因子和缩放因子，调整优化机制中的参数，以提升搜索精度和效率，最后引入AOA算法中MOP和MOA系数向量加快模型局部开发和全局探索能力。

1 数学模型

HMGO是在MGO的基础上引入4大策略，准反向学习、动态因子、缩放因子、AOA性能混合优化来提升算法性能，具体数学模型如下：

1）准方向学习策略：在MGO算法中，采用随机生成的初始位置策 略以确保山地瞪羚均匀分布，但这种做法牺牲了种群的多样性。为优化算法性能，研究者引入了多种反向学习策略，该策略在使得种群分布均匀同时，可以有效提高种群多样性，如下式：

式(10)为方向解种群生成，其中ub,lb为问题维度边界，式(11)为准反向学习解种群生成，r为-1到1之间随机数。

2）动态自适应密度因子：在 MGO 中，收敛因子a1对系数向量cofi有显著影响，不利于全局勘探与局部开发的有效平衡。因此引入非线性收敛因子 aa可以有效平衡勘探和开发能力，具体模型如下：

式中Ilter为当前迭代，MaxIter为最大迭代次数。

3）缩放因子优化 ：为解决 MGO 全局搜索性能忽略的问题，引入缩放因子（scaling factor, sf）优化机制。通过调整搜索步长，提高搜索效率，更灵活适应问题空间动态变化。

式中17为引入缩放影子sf后算法四个机制的山瞪羚位置更新

4）策略融合与性能提升 ：为提高 MGO 算法的勘探和开发能力，针对后 期易陷入局部最优解问题，特殊处理种群中的 20%个体。引入算术优化算法，通过乘法和除法策略进行全局 搜索，提高解的分散性，增强全局寻优能力。利用加法和减法策略降低解的分散性，增强局部寻优能 力。同时引入正余弦算子使 AOA 产生的解向内或 向外移动，动态地调整算法参数，达到提高全局搜索的效果增加解的多样性。

式中MOP和MOA为系数向量，其中当Ar>MOA进行式18，当Ar<MOA进行式19，有利于全局和局部性能，g(*)为AOA的算法派生。

2 模型性能可视化

HMGO-BP和MGO-BP的模型性能可视化：数据来源UCI回归数据集。

1）精度指标：

2）寻优指标：

3 MATLAB代码

3.1 伪代码

3.2 HMGO主函数

% 主循环
    for Iter=1:MaxIter
        for i=1:N
            
            RandomSolution=randperm(N,ceil(N/3));

            %计算的年轻雄性畜群系数向量
            M=X(randi([(ceil(N/3)),N]),:)*floor(rand)+mean(X(RandomSolution,:)).*ceil(rand);%eq (2)     
            
            %改进点2： 引入自适应动态密度因子计算随机选择系数向量
            cofi = Coefficient_Vector(dim,Iter,MaxIter);%eq (4)
            
            % 位置参数
            A =randn(1,dim).*exp(2-Iter*(2/MaxIter));
            D =(abs(X(i,:)) + abs(BestX))*(2*rand-1);
            
            % 改进点3：缩放因子优化
            % 进行山瞪羚社会活动的位置更新
            w = 3*((Iter-0.5*MaxIter)/MaxIter^2);
            vta = (-1)/(1+exp(-2*w))+1.2;
            sf = vta* cos(3*w);
            NewX = Solution_Imp(X,BestX,lb,ub,N,cofi,M,A,D,i,sf); 
            
            % 改进点4：引入AOA算法提高模型探索和开发能力
            MOP_Max=1; %加速函数最大值
            MOP_Min=0.2; %加速函数最小值
            Alpha = 0.499;
            MOP=1-((Iter)^(1/Alpha)/(MaxIter)^(1/Alpha)); % 数学优化概率eq 4  
            MOA=MOP_Min+Iter*((MOP_Max-MOP_Min)/MaxIter); % 加速函数 eq 2
            
            for j=1:size(NewX,1)
                gNewx(j,:) = sin(rand()).*NewX(j,:)+cos(rand()).*NewX(j,:);
                r1 = rand();
                if r1>MOA  
                    r2=rand();    
                    if r2>0.5 
                        NewX(j,:)=BestX.*MOP.*gNewx(j,:);
                    else
                    NewX(j,:)=(BestX.*gNewx(j,:))./(MOP+eps);
                    end
                else        
                    r3=rand();    
                    if r3>0.5          
                        NewX(j,:)=BestX+MOP.*gNewx(j,:);              
                    else 
                        NewX(j,:)=BestX-MOP.*gNewx(j,:);  
                    end 
                end
            end

            % 成本函数计算和边界检查
            [NewX , Sol_CostNew] = Boundary_Check(NewX,net,LB,UB);
                        
            % 为羚羊群增添新成员
            X=[X; NewX];       
            Sol_Cost=[Sol_Cost; Sol_CostNew];
            [~,idbest]=min(Sol_Cost);
            BestX=X(idbest,:);
            
            % 
        end
        
        % 更新种群
        [Sol_Cost, SortOrder]=sort(Sol_Cost);
        X=X(SortOrder,:);
        [BestFitness,idbest]=min(Sol_Cost);   
        BestX=X(idbest,:);
        X=X(1:N,:);
        Sol_Cost=Sol_Cost(1:N,:);
        cnvg(Iter)=BestFitness;
        BestF=BestFitness;
    end
end

3.3 HMGO-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的代码复现：

（改进的山瞪羚优化算法优化BP神经网络（HMGO-BP）-CSDN博客）