引力搜索算法（GSA）优化BP神经网络及matlab代码

目录

0 引言

1 数学模型

2 优化BP神经网络

3 matlab代码

3.1 伪代码

3.2 GSA主函数代码

3.3 GSA-BP

4 视频讲解

0 引言

引力搜索算法（Gravitational Search Algorithm，GSA）是Esmat Rashedi等人在2009年提出随机性启发式搜索算法，该算法灵感主要来源万有引力定律和运动定律，在GSA算法中，将粒子抽象理解为空间分为内一个解，解之间存在相互吸引力，与粒子质量成正比，距离成反比，质量赋予适应度值进行评估，因此在解空间中，每个粒子由其他粒子对其吸引力获取加速度，质量越大（适应度越小）提高加速度越大，从而向更优解移动。

1 数学模型

SSA算法通过粒子进行万有引力和运动定律实现向优势粒子的运动。以下是GSA数学模型：

1）初始化：定义粒子质量位置

其中i为粒子个数，d为粒子问题维度

2）粒子质量：引力和惯性质量综合用适应度进行评估，以下是其质量的数学模型

式（14）为适应度评估，如果适应度都一样则以1作为输出，不一样进行式（15）、（16）进行质量计算；式（17）和（18）为最小化问题的最优和最差适应度选择；式（19）和（20）为最大化问题的最优和最差适应度选择。

3）重力常数：

式中G0和α为常数，分别取100和20，t为当前迭代次数，T为最大迭代次数

4）重力场中的加速度计算：

式中F为重力，M为质量；其中提高算法的随机特征，F重力通过其他重力随机加权，分为两种i形式：

其中Kbest是具有最佳质量和最大质量的第一个K个代理的集合。式中Fij见下式

式中R为俩个粒子之间的欧式距离。

5）粒子移动：由于引力和加速关系，粒子向优势个体移动。

式中V为移动速度。

2 优化BP神经网络

前篇对BP神经网络原理讲解（BP神经网络原理及matlab代码-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GSA原理介绍，可以将BP神经网络权值和阈值作为粒子的位置，每一个粒子对应BP神经网络的预测值，将这个预测值作为适应度更新上述粒子的位置。

3 matlab代码

3.1 伪代码

3.2 GSA主函数代码

GSA主函数代码：

%% 参数
% max_it 最大迭代次数
% space_bound 边界函数
% SYD 适应度函数
% massCalculation  质量函数
% Gconstant 重力函数
% Gfield 加速度函数
% move 移动函数

%% 主函数

for iteration=1:max_it
    

    %边界检查
    X=space_bound(X,up,low); 
    %适应度. 
    fitness=SYD(X,net);
    net.trainParam.showWindow = 0;
    
    if min_flag==1
    [best best_X]=min(fitness); %最小化
    else
    [best best_X]=max(fitness); %最大化
    end        
    
    if iteration == 1
       Fbest=best;
       Lbest=X(best_X,:);
    end

    if min_flag==1
      if best<Fbest  %最小化
       Fbest=best;
       Lbest=X(best_X,:);
      end
    else 
      if best>Fbest  %最大化
       Fbest=best;
       Lbest=X(best_X,:);
      end
    end
      
BestChart=[BestChart Fbest];
MeanChart=[MeanChart mean(fitness)];

%计算 质量M. 公式 14-20
[M]=massCalculation(fitness,min_flag); 

%公式 13 重力常数的计算。
G=Gconstant(iteration,max_it); 

%重力场中的加速度计算。
a=Gfield(M,X,G,Rnorm,Rpower,ElitistCheck,iteration,max_it);

%移动. eq.11-12
[X,V]=move(X,a,V);
end 

质量函数代码：

%% 创建 "质量计算 "函数
function [M]=massCalculation(fit,min_flag)

Fmax=max(fit); 
Fmin=min(fit); 
Fmean=mean(fit); 
[i N]=size(fit);

if Fmax==Fmin
   M=ones(N,1);
else
    
   if min_flag==1 %最小化
      best=Fmin;
      worst=Fmax; %eq.17-18.
   else %最大化
      best=Fmax;
      worst=Fmin; %eq.19-20.
   end
  
   M=(fit-worst)./(best-worst); %eq.15,
end
M=M./sum(M); %eq. 16.
end

重力常数函数代码：

%% 创建 "G "函数
function G=Gconstant(iteration,max_it)

  alfa=20;
  G0=100;
  G=G0*exp(-alfa*iteration/max_it); %eq. 28.
end

加速函数代码：

%% 创建 "加速度a "函数
function a=Gfield(M,X,G,Rnorm,Rpower,ElitistCheck,iteration,max_it)


[N,dim]=size(X);
final_per=2; %在最后一次迭代中，只有 2% 的代理对其他代理施力。
% 总力计算
 if ElitistCheck==1
     kbest=final_per+(1-iteration/max_it)*(100-final_per); %eq. 21的kbest  
     kbest=round(N*kbest/100);
 else
     kbest=N; %eq.9.
 end
    [Ms ds]=sort(M,'descend');
 for i=1:N
     E(i,:)=zeros(1,dim);
     for ii=1:kbest
         j=ds;
         if j~=i
            R=norm(X(i,:)-X(j,:),Rnorm); %欧几里得距离
         for k=1:dim 
             E(i,k)=E(i,k)+rand*(M(j))*((X(j,k)-X(i,k))/(R^Rpower+eps));%eq(7)
             
         end
         end
     end
 end

移动函数：

function [X,V]=move(X,a,V)
%movement.
[N,dim]=size(X);
V=rand(N,dim).*V+a; %eq. 11.
X=X+V; %eq. 12.
end

3.3 GSA-BP

1）单输出回归预测：单输出回归预测：引力搜索算法优化BP神经网络模型（GSA-BP）

2）多输出回归预测：多输出回归预测：引力搜索算法优化BP神经网络模型（GSA-BP）

3）分类模型：分类模型：引力搜索算法优化BP神经网络模型（GSA-BP）

4）时间序列：时间序列：引力搜索算法优化BP神经网络模型（GSA-BP）

4 视频讲解

B站搜索：‘ 不想学习的陈成 ’