改进的北方苍鹰算法（INGO）优化BP神经网络原理及Matlab代码

最新推荐文章于 2024-08-26 09:30:00 发布
最新推荐文章于 2024-08-26 09:30:00 发布
阅读量457 收藏 9
点赞数 13
分类专栏： BP神经网络 智能算法 文章标签： 算法 神经网络 matlab 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_74389201/article/details/141353193
版权

目录

0 引言

1 数学模型

2 模型预测精度对比

3 Matlab代码

3.1 伪代码流程示意图

3.2 INGO-BP

4 视频讲解

0 引言

针对北方苍鹰优化算法存在易陷入局部最优的问题，众多学者提出多种策略改进北方苍鹰优化算法(INGO)。首先，在种群初始化阶段，相对混沌隐射初始化种群，引入佳点集方法映射到搜索空间更能提高了种群的多样性以及避免了早熟，其次在位置更新阶段，加入鱼鹰局部勘探位置更新策略和自适应惯性权重因子，增强了全局勘探和局部开发能力。

1 数学模型

INGO是NGO的基础引入佳点集初始策略、OOA局部开发策略和自适应惯性权重策略来提高模型全局和局部能力。其数学模型基础如下：

1）改进点1：佳点集初始化种群：该策略能在较少的样本点下尽可能均匀地覆盖整个搜索空间。

其中Pn(k)为佳点集，r为佳点，{r,k}为小数部分，n为种群数，X为佳点集隐射种群，ub,lb为问题维度上下界限。

2）改进点2：自适应权重：为了提高北方苍鹰算法的寻优能力，引入自适应惯性权重因子用于平衡搜索和开发之间平衡。

式（4）为自适应权重，式（5）、（6）为自适应权重对NGO算法搜索和开发数学模型应用。

3）改进点3：OOA算法局部开发：NGO算法开发阶段易于陷入局部极值状态，故引入鱼鹰优化算法(Osprey Optimization Algorithm, OOA)的局部位置更新过程可以更快地收敛到局部最优解附近，克服NGO局部极值收敛状态。

利用式（3）取代NGO尾随追逐开发数学模型。

2 模型预测精度对比

对比NGO和INGO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：

INGO-BP:

NGO-BP：

3 Matlab代码

3.1 伪代码流程示意图

3.2 INGO-BP

1）单输出回归预测：单输出回归预测：改进的北方苍鹰算法优化BP神经网络模型（INGO-BP）

2）多输出回归预测：多输出回归预测：改进的北方苍鹰算法优化BP神经网络模型（INGO-BP）

3）分类模型：分类模型：改进的北方苍鹰算法优化BP神经网络模型（INGO-BP）

4）时间序列：时间序列：改进的北方苍鹰算法优化BP神经网络模型（INGO-BP）

4 视频讲解

B站搜索：‘ 不想学习的陈成 ’

有事码一章
关注
  • 13
    点赞
  • 踩
  • 9
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
【图像分割】改进的北方苍鹰优化算法多阈值图像分割【含Matlab源码 3222期】
Matlab领域的博客
10-16 121
改进的北方苍鹰优化算法多阈值图像分割 完整的代码，方可运行；可提供运行操作视频！适合小白！
智能优化算法+基于改进北方苍鹰优化算法的多阈值图像分割
08-31
标题中的“智能优化算法+基于改进北方苍鹰优化算法的多阈值图像分割”涉及到的是在图像处理领域中，利用优化算法进行多阈值分割的一种技术。这种技术结合了人工智能和生物进化理论，以实现更精确、更有效的图像区域...
改进的北方苍鹰算法（INGO）优化支持向量机原理及Matlab代码
m0_74389201的博客
08-26 413
针对北方苍鹰优化算法存在易陷入局部最优的问题，众多学者提出多种策略改进北方苍鹰优化算法(INGO)。首先，在种群初始化阶段，相对混沌隐射初始化种群，引入佳点集方法映射到搜索空间更能提高了种群的多样性以及避免了早熟，其次在位置更新阶段，加入鱼鹰局部勘探位置更新策略和自适应惯性权重因子，增强了全局勘探和局部开发能力。
【群智能算法】一种改进的北方苍鹰优化算法 改进北方苍鹰算法INGO[1]【Matlab代码#1】
jayxiaoxionger的博客
03-21 1393
一种改进的北方苍鹰优化算法 Matlab代码
改进的北方苍鹰算法（INGO）优化长短期记忆神经网络原理及Matlab代码
最新发布
m0_74389201的博客
08-26 227
针对北方苍鹰优化算法存在易陷入局部最优的问题，众多学者提出多种策略改进北方苍鹰优化算法(INGO)。首先，在种群初始化阶段，相对混沌隐射初始化种群，引入佳点集方法映射到搜索空间更能提高了种群的多样性以及避免了早熟，其次在位置更新阶段，加入鱼鹰局部勘探位置更新策略和自适应惯性权重因子，增强了全局勘探和局部开发能力。
基于领导者自适应步长改进的北方苍鹰优化算法(INGO)
2301_82017165的博客
01-10 566
在北方苍鹰优化算法中，苍鹰的捕猎过程被分为两个阶段：猎物识别与攻击（勘探阶段）和追逐及逃生（开发阶段）。在勘探阶段，苍鹰会随机选择一个猎物并迅速发起攻击，这个过程类似于全局搜索，目的是为了寻找更好的解。根据NFL定理，激励读者对其进行改进，提出了最佳领导者策略和自适应莱维步长方法进行改进，为了验证改进效果，将改进算法INGO与原始NGO算法在23个经典基准测试函数上经行对比。北方苍鹰优化算法具有全局搜索和局部搜索相结合的特点，可以处理复杂的优化问题，尤其适用于多峰值、非线性、离散和连续混合优化问题。
北方苍鹰优化算法(INGO)的改进与对比(最大迭代次数:500，独立运行次数：30，初始种群数量：30)，北方苍鹰优化算法进一步改进：高效收敛与精度验证(INGO vs NGO)
jbRuCgwKDAM的博客
06-09 944
本文介绍了改进北方苍鹰优化算法(INGO)，该算法是一种新型的优化算法，通过引入一系列的改进策略，提高了收敛速度和精度。具体地，我们引入了一种自适应交叉率机制，根据种群中个体的适应度水平来调整交叉率，高适应度个体的交叉率较低，低适应度个体的交叉率较高。具体地，我们引入了一种自适应变异率机制，根据种群中个体的适应度水平来调整变异率，高适应度个体的变异率较低，低适应度个体的变异率较高。具体地，我们将种群分为多个子种群，每个子种群使用不同的搜索策略，通过合理的交叉和变异操作，实现多模式的搜索。
融合减法优化器和柯西变异的北方苍鹰算法，效果极好！独家原创！精品力荐！MATLAB代码...
woaipythonmeme的博客
12-15 955
声明：对于作者的原创代码，禁止转售倒卖，违者必究！北方苍鹰算法(NGO)是2021年由Dehghani M等人提出的，该算法模拟了北方苍鹰识别猎物和追逐猎物的自然行为。该成果于2021年发表在知名SCI期刊IEEEAccess上。自算法推出以来，深受欢迎！目前谷歌学术上查询被引119次。知网上也可以查到很多关于北方苍鹰算法改进的文章。本次推文融合2023年新算法：减法优化器算法，并配合其他策略对...
【图像分割】基于蜣螂优化算法DBO的最小交叉熵多阈值图像分割【Matlab代码#2】
jayxiaoxionger的博客
03-22 1067
基于蜣螂优化算法DBO的最小交叉熵多阈值图像分割，matlab代码，下载就可运行，有注释！
计算机网络: TCP的拥塞控制，四种拥塞算法
热门推荐
love_668的博客
05-17 2万+
一. 基本概念 在某段时间，若对网络中的某一资源的需求超过了该资源所能提供的可用部分，网络性能就要被破坏，这种情况就叫做拥塞 在计算机网络中的链路容量（即带宽）、交换结点中的缓存和处理机等，都是网络的资源 若出现拥塞而不进行控制，整个网络的吞吐量将随着负荷的增大而下降 我们使用下图来说明拥塞控制的作用 横坐标是输入负载，代表单位时间内输入给网络的分组数量 纵坐标是吞吐量，代表单位时间内从网络输出的分组数量 具有理想拥塞控制的网络，在吞吐量达到饱和之前，网络吞吐量应等于输入的负载，故吞吐量曲线是4
基于改进北方苍鹰优化算法的多阈值图像分割 付雪，朱良宽，黄建平，王璟瑀
06-03
基于改进北方苍鹰优化算法的多阈值图像分割 付雪，朱良宽，黄建平，王璟瑀，ARYSTAN Ryspayev （东北林业大学 机电工程学院，哈尔滨 150040） 摘要： 多阈值图像分割是一种简单、准确、高效且普遍的图像分割方法，...
论文研究-基于小生境遗传优化的Rao-BlackwellisedSLAM算法.pdf
07-22
为了解决该问题，改善SLAM性能，提出了一种基于改进小生境遗传优化的RBPF SLAM算法INGO-RBPF，采用改进的Rao-Blackwellised粒子滤波器解决SLAM路径估计问题，采用扩展卡尔曼滤波器解决SLAM地图估计问题。最后通过...
智能 优化 方法 算法第五章 其他进化算法(new).ppt
12-09
智能优化方法是现代计算技术中的一种重要分支，主要用于解决复杂问题的优化问题。这些方法通常模拟自然界的进化过程，如生物进化、物种竞争等，来寻找问题的最佳解决方案。本篇内容主要介绍了几种常见的进化算法，...
Linux超线程感知的调度算法研究
07-29
Linux超线程感知的调度算法研究是针对Intel的Hyper-Threading Technology进行的一种优化技术，旨在提升处理器在Linux操作系统下的性能。超线程技术是Intel在2002年推出的一种微处理器架构，它通过共享处理器资源，...
代码随想录算法训练营19-回溯1
weixin_53416771的博客
08-22 352
画出来的树是这样记录所有组合，一个变量current装当前的处理结果，一个res装所有的处理的结果下面的代码还可以剪枝优化。
算法日记day 45（单调栈之每日温度|接雨水）
m0_74980681的博客
08-22 850
如果大于，则取栈顶元素为中间值并弹出栈顶元素，将遍历的元素与新的栈顶元素值比较取较小者，减去中间值得到高度h，然后栈顶元素下标值减去当前遍历的元素下标值再减一得到宽度w，最后高×宽得到面积，并记录，重复上述操作，直到遍历结束。第三种，如果遍历的元素值大于栈顶元素，用该下标减去栈顶元素下标，并将栈顶元素弹出，继续用该元素与新的栈顶元素比较，如果小于等于，则压入栈，如果大于，重复第三步操作。第一种，如果之后遍历的元素值小于栈顶压入的元素，将该元素的下标压入栈中。如果小于栈顶元素值，则压入栈内。
【算法】马踏棋盘（骑士周游）问题回溯算法实现以及使用贪心算法优化
2302_78914800的博客
08-18 772
将马儿随机放在国际象棋的 8*8 棋盘的某个方格中，马儿按照“马走日”进行移动，要求每个方格只进入一次，走遍棋盘上全部 64 个方格。注意：马儿不同的走法会得到不同的结果，效率也会有影响。
算法025：前缀和
m0_62319039的博客
08-22 205
算法025：前缀和
Linux操作系统进程调度算法的代码运行
04-07
由于Linux操作系统是开源的，因此其进程调度算法的代码可以在其代码库中找到。具体来说，Linux使用完全公平调度算法（CFS）作为其默认的进程调度算法，其代码实现可以在内核源代码中的sched目录中找到。以下是一些示例代码： 1. CFS调度器代码： /* * Completely Fair Scheduler * * This file contains the code for the Completely Fair Scheduler, a * process scheduler based on a red-black tree. It implements a * proportional-share scheduling algorithm with low latency for * interactive tasks and high throughput for compute-bound tasks. * * Copyright (C) 2002-2007 Ingo Molnar <mingo@elte.hu> * Copyright (C) 2007-2011 Con Kolivas <kernel@kolivas.org> * * This program is free software; you can redistribute it and/or modify * it under the terms of the GNU General Public License version 2 as * published by the Free Software Foundation. */ 2. 调度策略代码： /* Define a scheduling class */ static const struct sched_class fair_sched_class = { .next = &idle_sched_class, .enqueue_task = enqueue_task_fair, .dequeue_task = dequeue_task_fair, .yield_task = yield_task_fair, .check_preempt_curr = check_preempt_wakeup, .pick_next_task = pick_next_task_fair, .put_prev_task = put_prev_task_fair, #ifdef CONFIG_SMP .select_task_rq = select_task_rq_fair, .migrate_task_rq = migrate_task_rq_fair, .task_waking = task_waking_fair, .task_woken = task_woken_fair, #endif .set_curr_task = set_curr_task_fair, .task_tick = task_tick_fair, .task_fork = task_fork_fair, .task_dead = task_dead_fair, #ifdef CONFIG_FAIR_GROUP_SCHED .task_move_group = task_move_group_fair, #endif }; 3. 调度器初始化代码： void __init sched_init(void) { int i; /* Initialize the active and expired arrays for CFS */ for_each_possible_cpu(i) { struct rq *rq = cpu_rq(i); int j; /* Initialize the red-black tree for CFS */ for (j = 0; j < MAX_NICE; j++) { INIT_LIST_HEAD(&rq->cfs_rq[j].tasks); INIT_LIST_HEAD(&rq->cfs_rq[j].runnable); rb_init_node(&rq->cfs_rq[j].rb_node); } rq->cfs_rq[0].exec_clock = rq_clock(rq); rq->cfs_rq[1].exec_clock = rq_clock(rq); rq->cfs_rq[2].exec_clock = rq_clock(rq); rq->cfs_rq[3].exec_clock = rq_clock(rq); rq->cfs_rq[4].exec_clock = rq_clock(rq); rq->cfs_rq[5].exec_clock = rq_clock(rq); rq->cfs_rq[6].exec_clock = rq_clock(rq); rq->cfs_rq[7].exec_clock = rq_clock(rq); rq->cfs_rq[8].exec_clock = rq_clock(rq); rq->cfs_rq[9].exec_clock = rq_clock(rq); rq->cfs_rq[10].exec_clock = rq_clock(rq); rq->cfs_rq[11].exec_clock = rq_clock(rq); rq->cfs_rq[12].exec_clock = rq_clock(rq); rq->cfs_rq[13].exec_clock = rq_clock(rq); rq->cfs_rq[14].exec_clock = rq_clock(rq); rq->cfs_rq[15].exec_clock = rq_clock(rq); rq->nr_running = 0; rq->nr_uninterruptible = 0; rq->curr = NULL; INIT_LIST_HEAD(&rq->migration_queue); INIT_LIST_HEAD(&rq->expired); INIT_LIST_HEAD(&rq->active); rq->expired_timestamp = 0; rq->next_balance = jiffies + HZ; rq->skip_clock_update = 0; rq->idle_stamp = rq_clock(rq); rq->last_moved = jiffies; spin_lock_init(&rq->lock); spin_lock_init(&rq->task_lock); } /* Initialize the idle class */ init_idle(&init_task); init_idle(&ksoftirqd_task); init_idle(&migration_thread); /* Initialize the fair class */ sched_register_scheduler(&fair_sched_class); }
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值