【BP预测】基于果蝇算法优化BP神经网络实现数据预测附matlab代码

1 简介

BP神经网络算法使用非常广泛,传统的BP神经网络算法虽然具有不错的拟合非线性函数的能力,但是容易陷入局部的极小值,并且传统的算法收敛的速度慢.本篇文章详细地论述了如何使用果蝇算法优化传统的BP神经网络算法中初始的权值和阀值,通过相应的验证和比较提出了该模型的有效性.

2 部分代码

登录后复制

          
          

           
           %% FOA封装程序
           
           
clc;
           
           
clear all
           
           
close all
           
           
%% 初始化参数
           
           
maxgen=100; %最大迭代次数
           
           
sizepop=50;
           
           
dim=2;
           
           
L=1;
           
           
%% 初始化矩阵
           
           
X_best=zeros(maxgen,dim);
           
           
Y_best=zeros(maxgen,dim);
           
           
Smell_best=zeros(1,maxgen);
           
           
%% 初始化果蝇坐标；
           
           
X_axis=10*rand(1,dim);
           
           
Y_axis=10*rand(1,dim);
           
           
%% 生成果蝇群
           
           
[Si,X,Y]=gengrate_foa(X_axis,Y_axis,sizepop,dim,L);
           
           
%% 寻找最优个体
           
           
[BestSmell,Index]=find_Schaffer(Si);
           
           
SmellBest=BestSmell;               %SmellBest为全局最优
           
           
%% 取出最优个体的两个维度的X,Y坐标
           
           
X_axis=X(Index,:);
           
           
Y_axis=Y(Index,:);
           
           
for g=1:maxgen
           
           
    %% 生成果蝇群
           
           
    [Si,X,Y]=gengrate_foa(X_axis,Y_axis,sizepop,dim,L);
           
           
    %% 寻找最优个体
           
           
    [BestSmell,Index]=find_Schaffer(Si);
           
           
    if BestSmell<SmellBest
           
           
        X_axis=X(Index,:);
           
           
        Y_axis=Y(Index,:);    
           
           
        %更新极值
           
           
        SmellBest=BestSmell;
           
           
    end
           
           
    Smell_best(g)=SmellBest;
           
           
    X_best(g,:)=X_axis;
           
           
    Y_best(g,:)=Y_axis;
           
           
end
           
           
%% 输出最终值
           
           
SmellBest
           
           
%% 绘制图像
           
           
figure(1)
           
           
plot(Smell_best,'b');
           
           
title('最佳个体适应度值变化趋势')
           
           
xlabel('迭代次数')
           
           
ylabel('适应度值')
           
           
img =gcf;  %获取当前画图的句柄
           
           
print(img, '-dpng', '-r600', './img.png')         %即可得到对应格式和期望dpi的图像
          
          

• 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.
• 44.
• 45.
• 46.
• 47.
• 48.
• 49.

3 仿真结果

4 参考文献

[1]徐杏芳. 基于果蝇算法优化的BP神经网络[J]. 福建电脑, 2017, 33(6):2.

博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，相关matlab代码问题可私信交流。

部分理论引用网络文献，若有侵权联系博主删除。