数学建模预测类问题-PSO优化BP的电池荷电状态预测

最新推荐文章于 2024-04-19 15:56:21 发布

matlab数学建模加油站+

最新推荐文章于 2024-04-19 15:56:21 发布

阅读量543

点赞数

分类专栏：数学建模文章标签： matlab 算法

本文链接：https://blog.csdn.net/m0_74905716/article/details/127807787

版权

数学建模专栏收录该内容

43 篇文章 40 订阅

订阅专栏

1、BP神经网络

BP神经网络是将网络的输出与期望输出间的误差归结为权值和阈值的“过错”，通过反向传播把误差“分摊”给各个神经元的权值和阈值。BP神经网络由3层组成，输入层，隐含层和输出层。结构图如下图所示。

编辑

2、PSO优化BP神经网络

由于BP神经网络初始权值和阈值会导致预测效果的不佳，因此可建立相关的适应度函数，使用PSO对BP神经网络的权值和阈值进行寻优，得到较好的预测效果。

3、部分代码

clc
clear all
%节点个数
inputnum=2;
hiddennum=5;
outputnum=1;

k=rand(1,40);%k是1*2000的向量，里面是0-1的随机均匀分布的数
[m,n]=sort(k);%sort默认按升序进行排列，m是排序后的矩阵，n是索引
train0=xlsread('data02c','A2:C41')
% train0=xlsread('时域数据','B7:D48');
[a,b]=size(train0);%指标矩阵维度
input_train=train0(n(1:30),1:2)';
output_train=train0(n(1:30),3)';
input_test=train0(n(31:40),1:2)';
output_test=train0(n(31:40),3)';

%选连样本输入输出数据归一化
[inputn,inputps]=mapminmax(input_train);
[outputn,outputps]=mapminmax(output_train);

%构建网络
net=newff(inputn,outputn,hiddennum);

% 参数初始化
%粒子群算法中的两个参数
c1 = 1.49445;
c2 = 1.49445;

maxgen=100;   % 进化次数  
sizepop=20;   %种群规模

Vmax=1;
Vmin=-1;
popmax=5;
popmin=-5;

for i=1:sizepop
    pop(i,:)=5*rands(1,21);
    V(i,:)=rands(1,21);
    fitness(i)=fun(pop(i,:),inputnum,hiddennum,outputnum,net,inputn,outputn);
end


% 个体极值和群体极值
[bestfitness bestindex]=min(fitness);
zbest=pop(bestindex,:);   %全局最佳
gbest=pop;    %个体最佳
fitnessgbest=fitness;   %个体最佳适应度值
fitnesszbest=bestfitness;   %全局最佳适应度值

%% 迭代寻优
for i=1:maxgen
    i
    
    for j=1:sizepop
        
        %速度更新
        V(j,:) = V(j,:) + c1*rand*(gbest(j,:) - pop(j,:)) + c2*rand*(zbest - pop(j,:));
        V(j,find(V(j,:)>Vmax))=Vmax;
        V(j,find(V(j,:)<Vmin))=Vmin;
        
        %种群更新
        pop(j,:)=pop(j,:)+0.2*V(j,:);
        pop(j,find(pop(j,:)>popmax))=popmax;
        pop(j,find(pop(j,:)<popmin))=popmin;
        
        %自适应变异
        pos=unidrnd(21);
        if rand>0.95
            pop(j,pos)=5*rands(1,1);
        end
      
        %适应度值
        fitness(j)=fun(pop(j,:),inputnum,hiddennum,outputnum,net,inputn,outputn);
    end
    
    for j=1:sizepop
    %个体最优更新
    if fitness(j) < fitnessgbest(j)
        gbest(j,:) = pop(j,:);
        fitnessgbest(j) = fitness(j);
    end
    
    %群体最优更新 
    if fitness(j) < fitnesszbest
        zbest = pop(j,:);
        fitnesszbest = fitness(j);
    end
    
    end
    
    yy(i)=fitnesszbest;    
        
end

%% 结果分析
plot(yy)
title(['适应度曲线  ' '终止代数＝' num2str(maxgen)]);
xlabel('进化代数');ylabel('适应度');

x=zbest;

4、结果展示

编辑