目录
0 引言
经典的粒子群算法的寻优性能在很大程度上依赖于其惯性权重、学习因子参数的设置选择。固定参数的PSO算法很大程度易于陷入局部收敛和随机性差,因此本文参考已发表文献,通过引入多策略算法改进粒子群算法(IPSO),引入混沌映射初始化种群更有利增强模型随机性、引入非线性递减惯性权重和非对称优化学习因子有利于增加初始粒子群的全局迭代寻优能力和跳出局部最好解。
1 数学模型
IPSO是在PSO基础上引入策略算法优化PSO求解精度和收敛速度,其数学模型见下:
1) Tent混 沌映射初始化粒子种群:PSO标准种群易导致种群聚集在某个局部区域,混沌序列通常表现出较好的随机 性,在搜索空间中更广泛地分布初始化种群位置:
式akn为混沌序列,其中n为种群数,k为问题维度,d为混沌值;bjh为符合问题维度上下界的混沌序列,ul和ll为问题维度上下界限。
2)改进的惯性权重策略:非线性递减的权重策略有利前期全局搜索能力和后期局部搜索能力。
式ωmin和ωmax为惯性权重界限,α和β为曲线的陡峭程度和中心,k为当前迭代,kmax为最大迭代。
3)改进的学习因子策略:采用该策略有利在搜索的初期 强调粒子的自我学习能力,后期则强调粒子的社会学习能力。
式C1min和C1max分别为个体学习因子最小和最大值,C2min和C2max分别为全体学习因子最小和最大值。
2 模型精度对比
对比PSO和IPSO优化BP神经网络模型性能得出对比图,由于BP神经网络受权值阈值随机性影响,本章节采用’seed‘固定随机组函数进行模型对比,具体代码如下:
rand('seed',3333);%3333为随机固定组,可变
模型数据来源UCI回归数据集:
IPSO-BP:
PSO-BP:
3 Matlab代码
3.1 伪代码示意流程图
3.2 IPSO-BP
1)单输出回归预测:单输出回归预测:多策略改进的粒子群算法优化BP神经网络模型(IPSO-BP)
2)多输出回归预测:多输出回归预测:多策略改进的粒子群算法优化BP神经网络模型(IPSO-BP)
3)分类模型:分类模型:多策略改进的粒子群算法优化BP神经网络模型(IPSO-BP)
4)时间序列:时间序列:多策略改进的粒子群算法优化BP神经网络模型(IPSO-BP)
4 视频讲解
B站搜索:‘ 不想学习的陈成 ’