头脑风暴算法BSO优化BP神经网络-matlab源码

我也想搞机器学习

已于 2023-03-08 15:10:05 修改

阅读量820

点赞数

分类专栏：机器学习文章标签：算法神经网络 matlab

于 2022-10-23 18:33:47 首次发布

本文链接：https://blog.csdn.net/qq_36061650/article/details/127477740

版权

机器学习专栏收录该内容

5 篇文章 1 订阅

订阅专栏

原理：头脑风暴算法主要运用聚类和变异，他是通过模拟人们的解决问题的思想，办法而创立。

算法采用K-means聚类算法，将相似的个体聚成k类，并将人为设定的适应度函数值最优的个体作为聚类的中心。当然，为了避免陷入局部最优，将有概率随机产生一个新个体替换其中
一个聚类中心。

变异主要是：(1)在随机一个类中心，即该类最优个体上添加随机扰动产生新的个体；(2)在随机一个类中随机选择一个个体添加随机扰动产生新的个体；(3)随机融合两个类中心，并添加随机扰动产生新的个体；(4)随机融合两个类中随机的两个个体，并添加随机扰动产生新的个体。

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，结构清晰，全中文详细注释，全在一个程序里，方便对比。

部分数据集：

部分代码：

clc;close all;clear;
load data;
inputnum=3;hiddennum=5;outputnum=1;epoch_bp_elman=5000;
[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);
N=50;epoch_bso=10;
class_num=5;%分类数
dim=26;%问题维度
ub=-5.12;lb=5.12;%上下界
P4=0.5;P2 =0.8; %选择一个簇形成新个体的概率
s=ones(1,dim); %通过添加随机值影响生成新个体的步长
x_bp=ub + (lb - ub) * rand(N,dim); %初始化个体的总体
x_sorted=ub + (lb - ub) * rand(N,dim); %初始化根据聚类排序的个体的总体
class_xuhao_centers = zeros(class_num,1); %每组最佳个体指数
x_bp_centers = ub + (lb - ub) * rand(class_num,dim); %初始化每个集群中的最佳个体
x_bp_centers_copy = ub + (lb - ub) * rand(class_num,dim); %初始化每个集群中的最佳单个COPY，以引入随机最佳
%计算初始化群体中每个个体的适应度
net_bp=newff(train_x,train_y,hiddennum);
for i=1:N
    fit(i,1) = fun_BP(x_bp(i,:),inputnum,hiddennum,outputnum,net_bp,train_x,train_y,test_x,test_y,outputps,i);
end
tssc_bsobp_fitness=min(fit);
......
net_bp.trainParam.epochs=epoch_bp_elman;
net_bp.trainParam.lr=0.05;
net_bp.trainParam.goal=0.000001;
net_bp.trainParam.showWindow=0;
[net_bp,tr]=train(net_bp,train_x,train_y);
result_sim_bsobp=sim(net_bp,test_x);
[error_bsobp,error_bsobp_MAE,error_bsobp_RMSE,error_bsobp_MAPE,error_bsobp_max,error_bsobp_max_seat]=fun_error_MAE_RMSE_MAPE_max(result_sim_bsobp,test_y);%BSOBP
[error_all,error_level]=fun_error_level(error_bsobp_MAE,error_bsobp_RMSE,error_bsobp_MAPE,error_bp_MAE,error_bp_RMSE,error_bp_MAPE);%BSOBP1,BP2
[accuracy_bsobp_MAE,accuracy_bsobp_RMSE,accuracy_bsobp_MAPE,errorlow_bsobp_MAE,errorlow_bsobp_RMSE,errorlow_bsobp_MAPE]=fun_accuracy_error(error_bsobp_MAE,error_bsobp_RMSE,error_bsobp_MAPE,error_bp_MAE,error_bp_RMSE,error_bp_MAPE);%BSOBP-BP
fprintf("BSOBP初始/结果最优适应度为：%f/%f\n",tssc_bsobp_fitness,yy_bsobp(end,1));
fprintf("          MAE             RMSE            MAPE            error_max(x)\nBSOBP     %f[%d]     %f[%d]     %f[%d]     %f(%d)\nBP        %f[%d]     %f[%d]     %f[%d]     %f(%d)\n",error_bsobp_MAE,error_level(1,1),error_bsobp_RMSE,error_level(1,2),error_bsobp_MAPE,error_level(1,3),error_bsobp_max,error_bsobp_max_seat,error_bp_MAE,error_level(2,1),error_bp_RMSE,error_level(2,2),error_bp_MAPE,error_level(2,3),error_bp_max,error_bp_max_seat);
fprintf("acc↑(BSOBP/BP)  %f       %f       %f\nerr↓(BSOBP/BP)  %f       %f       %f\n",accuracy_bsobp_MAE,accuracy_bsobp_RMSE,accuracy_bsobp_MAPE,errorlow_bsobp_MAE,errorlow_bsobp_RMSE,errorlow_bsobp_MAPE);
%结果分析
figure(1);
plot(1:size(yy_bsobp,1),yy_bsobp,'b');
title(['适应度曲线  ' '终止代数＝' num2str(epoch_bso)]);
xlabel('迭代次数');ylabel('适应度');
legend('BSO-BP');
figure(2);
plot(1:size(error_bsobp,2),error_bsobp,'r-',1:size(error_bp,2),error_bp,'m--');
xlabel('样本数量','fontsize',12);ylabel('相对误差','fontsize',12);
legend('PSO-BP误差','BP误差');
figure(3);
plot(1:size(test_x,2),result_sim_bsobp,'r-',1:size(test_x,2),result_bp,'m-',1:size(test_x,2),test_y,'b-')
xlabel('样本数量','fontsize',12);ylabel('流量','fontsize',12);
legend('BSO-BP预测值','BP预测值','真实值');

头脑风暴算法收敛曲线图：