机器学习是现阶段比较热门的一门学科,他在图像处理、数据拟合、人工智能方面有着很深的造诣。
粒子群算法通过设计一种无质量的粒子来模拟鸟群中的鸟,粒子仅具有两个属性:速度和位置,速度代表移动的快慢,位置代表移动的方向。每个粒子在搜索空间中单独的搜寻最优解,并将其记为当前个体极值,并将个体极值与整个粒子群里的其他粒子共享,找到最优的那个个体极值作为整个粒子群的当前全局最优解,粒子群中的所有粒子根据自己找到的当前个体极值和整个粒子群共享的当前全局最优解来调整自己的速度和位置。
粒子群算法是一种高效的并行搜索算法。
粒子群算法保留了基于种群的全局搜索策略,操作模型比较简单,避免了复杂的遗传操作。
保留了每个粒子的个体历史极值。
算法在后期收敛速度缓慢。
粒子群算法对种群大小不十分敏感。
本文基于粒子群优化了BP神经网络用于预测,输入为3特征值,输出为1输出,内附数据集,拿来直接用。
本次用了BP神经网络和PSO-BP神经网络对比。
部分代码:
clear;clc;close all;
load shuju.mat;
[train_x,inputps]=mapminmax(train_x);
test_x=mapminmax('apply',test_x,inputps);
[train_y,outputps]=mapminmax(train_y);
test_y=mapminmax('apply',test_y,outputps);
inputnum=3;hiddennum=5;outputnum=1;epoch_bp_elman=5000;
N=100;
dim=26;
epoch_pso=10;
w=0.8;c1=1.5;c2=1.5;
Xmax=20;Xmin=-20;
Vmax=10;Vmin=-10;
%初始化种群个体位置和速度
x=rand(N,dim)*(Xmax-Xmin)+Xmin;
v=rand(N,dim)*(Xmax-Xmin)+Xmin;
%PSOBP
%初始化个体、全局最优位置和最优值(速度)
net_bp=newff(train_x,train_y,hiddennum);
p_local=x;
pbest_local=ones(N,1);
g_quanju=ones(1,dim);
gbest_quanju=1e5;
粒子群算法收敛曲线图:
实验结果:
性能指标:
源码下载地址:
-------------------------------------------------------我的其他代码--------------------------------------------------------