【BP预测】基于Tent混沌映射改进的麻雀搜索算法SSA优化BP神经网络回归预测附matlab代码...

1 简介

针对目前农村公路造价估算存在的问题,结合神经网络和麻雀搜索算法各自的特点,提出了一种基于改进型麻雀搜索算法优化BP神经网络(improved sparrow search agorithm optimized BP neural network,Tent-SSA-BP)的模型,对公路造价进行预测.为提高预测算法的搜索和跳出局部最优的能力,在标准麻雀搜索算法(sparrow search algorithm,SSA)中借助混沌的思想,使加入者以一定的概率向发现者靠近,缩短了算法的运行时间,保证了全局收敛和种群的多样性.最后将算法模型与BP神经网络模型和麻雀搜索算法优化BP神经网络(sparrow search algorithm BP,SSA-BP)模型进行对比,使用三种评价指标对三种算法模型进行评价,结果表明的tent-SSA-BP模型能够及时准确的公路数据进行预测,ISSA-BP模型的均方误差(MSE),平均绝对误差(MAE)和决定系数(R2)分别为2.511E-11,1.969E-06和0.99989.

2 部分代码

function [fMin , bestX, Convergence_curve] = SSA(X, N, M, c, d, dim, fobj)

P_percent = 0.2;    % 发现者的种群规模占总种群规模的百分比

pNum = round(N*P_percent);    % 发现者数量20%

SD = pNum/2;      % 警戒者数量10%

ST = 0.8;           % 安全阈值

lb = c.*ones(1, dim);     % 下限

ub = d.*ones(1,dim);    % 上限

% 初始化

for i = 1:N

%     X(i, :) = lb + (ub - lb) .* rand(1, dim);

    fitness(i) = fobj(X(i, :));

end

pFit = fitness;

pX = X;                            % 与pFit相对应的个体最佳位置

[fMin, bestI] = min(fitness);      % fMin表示全局最优解

bestX = X(bestI, :);             % bestX表示全局最优位置

%% 迭代寻优

for t = 1 : M       

    [~, sortIndex] = sort(pFit);            % 排序

    [fmax, B] = max(pFit);

    worst = X(B, :);

    %% 发现者位置更新

    r2 = rand(1);

    if r2 < ST

        for i = 1:pNum      % Equation (3)

            r1 = rand(1);

            X(sortIndex(i), :) = pX(sortIndex(i), :)*exp(-(i)/(r1*M));

            X(sortIndex(i), :) = Bounds(X(sortIndex(i), :), lb, ub);

            fitness(sortIndex(i)) = fobj(X(sortIndex(i), :));

        end

    else

        for i = 1:pNum

            X(sortIndex(i), :) = pX(sortIndex(i), :)+randn(1)*ones(1, dim);

            X(sortIndex(i), :) = Bounds(X(sortIndex(i), :), lb, ub);

            fitness(sortIndex(i)) = fobj(X(sortIndex(i), :));

        end

    end

    [~, bestII] = min(fitness);

    bestXX = X(bestII, :);

    %% 跟随者位置更新

    for i = (pNum+1):N                     % Equation (4)

        A = floor(rand(1, dim)*2)*2-1;

        if i > N/2

            X(sortIndex(i), :) = randn(1)*exp((worst-pX(sortIndex(i), :))/(i)^2);

        else

            X(sortIndex(i), :) = bestXX+(abs((pX(sortIndex(i), :)-bestXX)))*(A'*(A*A')^(-1))*ones(1, dim);

        end

        X(sortIndex(i), :) = Bounds(X(sortIndex(i), :), lb, ub);

        fitness(sortIndex(i)) = fobj(X(sortIndex(i), :));

    end

    %% 警戒者位置更新

    c = randperm(numel(sortIndex));

    b = sortIndex(c(1:SD));

    for j = 1:length(b)      % Equation (5)

        if pFit(sortIndex(b(j))) > fMin

            X(sortIndex(b(j)), :) = bestX+(randn(1, dim)).*(abs((pX(sortIndex(b(j)), :) -bestX)));

        else

            X(sortIndex(b(j)), :) = pX(sortIndex(b(j)), :)+(2*rand(1)-1)*(abs(pX(sortIndex(b(j)), :)-worst))/(pFit(sortIndex(b(j)))-fmax+1e-50);

        end

        X(sortIndex(b(j)), :) = Bounds(X(sortIndex(b(j)), :), lb, ub);

        fitness(sortIndex(b(j))) = fobj(X(sortIndex(b(j)), :));

    end

    for i = 1:N

        % 更新个体最优

        if fitness(i) < pFit(i) 

            pFit(i) = fitness(i);

            pX(i, :) = X(i, :);

        end

        % 更新全局最优

        if pFit(i) < fMin

            fMin = pFit(i);

            bestX = pX(i, :);

        end

    end

    Convergence_curve(t) = fMin;

    disp(['SSA: At iteration ', num2str(t), ' ,the best fitness is ', num2str(fMin)]);

end

%% 边界处理

function s = Bounds(s, Lb, Ub)

% 下界

temp = s;

I = temp < Lb;

temp(I) = Lb(I);

% 上界

J = temp > Ub;

temp(J) = Ub(J);

% 更新

s = temp;

3 仿真结果

4 参考文献

[1]许亮, 张紫叶, 陈曦,等. 基于改进麻雀搜索算法优化BP神经网络的气动光学成像偏移预测[J]. 光电子.激光, 2021, 32(6):6.

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。