【预测模型】基于Logistic改进的麻雀搜索算法优化BP神经网络实现数据预测matlab代码...

1 简介

针对麻雀搜索算法(SSA)在迭代后期种群多样性减少,易陷入局部最优等难题,提出了一种基于Logistic混沌映射的改进麻雀算法(LCSSA).利用Logistic混沌映射初始化种群,提高了初始解的质量,增加了种群多样性,利用线性递减权重法,降低了群体智能算法容易早熟的风险,避免算法后期容易在全局最优解附近发生振荡现象.依据8个基准函数对改进后算法与改进前算法进行性能对比测试.测试结果表明,LCSSA相较于SSA具有更快的迭代收敛速度,更高寻优精度且兼顾更好的稳定性.

2 部分代码

登录后复制

          
          

           
           %% 基于logistic映射的种群初始化子函数
           
           
function Positions=logisticInitialization(popsize,dim,ub,lb)
           
           
%input：popsize   种群数量
           
           
%             dim           变量维度
           
           
%             ub             变量上限
           
           
%             lb               变量下限
           
           
%return：Positions   生成的初始种群位置
           
           

           
           
%初始化位置0数组
           
           
Positions=zeros(popsize,dim);
           
           

           
           
%对每个个体，混沌映射产生位置
           
           
for i = 1:popsize
           
           
   value =  Logistic(dim);  %混沌映射序列
           
           
   Positions(i,:)=value.*(ub-lb)+lb;
           
           
   %位置越界限制
           
           
   Positions(i,:)=min(Positions(i,:),ub);   %上界调整
           
           
   Positions(i,:)=max(Positions(i,:),lb);    %下界调整
           
           
end
           
           

           
           
end
           
           

           
           

           
           

           
           
%混沌映射子函数
           
           
function sequence=Logistic(n)
           
           
%input：n   混沌序列长度
           
           
%return：value   生成的混沌序列
           
           

           
           
%初始化数组
           
           
sequence=zeros(1,n);
           
           
sequence(1)=rand; %序列起点
           
           

           
           
%x0不为(0,0.25,0.5,0.75,1)
           
           
while max(sequence(1)==[0 0.25 0.5 0.75 1])==1
           
           
   sequence(1)=rand;
           
           
end
           
           

           
           
mu =3.8 ;%参数mu范围(0,4)
           
           
for i=1:n-1
           
           
   sequence(i+1)=mu*sequence(i)*(1-sequence(i));
           
           
end
           
           
end
          
          

• 1.
• 2.
• 3.
• 4.
• 5.
• 6.
• 7.
• 8.
• 9.
• 10.
• 11.
• 12.
• 13.
• 14.
• 15.
• 16.
• 17.
• 18.
• 19.
• 20.
• 21.
• 22.
• 23.
• 24.
• 25.
• 26.
• 27.
• 28.
• 29.
• 30.
• 31.
• 32.
• 33.
• 34.
• 35.
• 36.
• 37.
• 38.
• 39.
• 40.
• 41.
• 42.
• 43.

3 仿真结果

4 参考文献

[1]吴丁杰, 周庆兴, 温立书. 基于Logistic混沌映射的改进麻雀算法[J]. 高师理科学刊, 2021, 41(6):6.