粒子群算法优化BP网络做回归预测,多输入单输出模型（PSO-BP）

智能算法及其模型预测

已于 2022-11-26 12:58:13 修改

阅读量1k

点赞数 1

文章标签： matlab

于 2022-11-26 10:42:57 首次发布

本文链接：https://blog.csdn.net/qq_43916303/article/details/128048936

版权

1、粒子数量、搜索维度、所有粒子的位置和速度、个体经历的最佳位置和全局最佳位置、每个个体的历史最佳适应值。
2、开始搜索：初始粒子适应度计算、计算初始全局最优、计算适应值、初始全局最优参数、适应度函数、更新个体最优、更新全局最优、全局最优参数
训练模型，使用PSO找到的最好的全局最优参数。

clear all;
close all
% restoredefaultpath
tic

%% 导入数据
% 训练集——190个样本
P = xlsread('data','training set','B2：G191')';
T = xlsread('data','training set','H2：H191')';
% 测试集——44个样本
P_test=xlsread('data','test set','B2:G45')';
T_test=xlsread('data','test set','H2:H45')';

NN = size(P_test, 2); % 测试集样本数
MM = size(P, 2); % 训练集样本数
% warning('off')
% 初始隐层神经元个数
hiddennum=15; %数据维度数15 数据条数是9
inputnum=size(P,1); % 输入层神经元个数8
outputnum=size(T,1); % 输出层神经元个数1
w1num=inputnum*hiddennum; % 输入层到隐层的权值个数
w2num=outputnum*hiddennum;% 隐层到输出层的权值个数
N=w1num+hiddennum+w2num+outputnum; %待优化的变量的个数

%% 定义PSO算法参数
E0 = 0.001; % 允许误差达到误差时就可以停止迭代
MaxNum = 20; % 粒子最大迭代次数
narvs = N; % 目标函数的自变量个数
particlesize = 30; % 粒子群规模
c1 = 1.5; % 个体经验学习因子
c2 = 1.5; % 社会经验学习因子
w =0.8; % 惯性因子
vmax = 0.8; % 粒子的最大飞翔速度
x = -1 + 2* rand(particlesize, narvs);% 粒子所在的位置 (rand产生的大小为0,1),规模是粒子群数和参数需求数设置了x的取值范围[-5,5]
v = rand(particlesize,narvs); % 粒子的飞翔速度生成每个粒子的飞翔速度，由于是只有一个变量，所以速度是一维的
trace=zeros(N+1,MaxNum); %寻优结果的初始值
ObjV=Objfun(x,P,T,hiddennum,P_test,T_test); %计算目标函数值
personalbest_x=x; % 用于存储对于每一个粒子最佳经历点的x值
personalbest_faval=ObjV; % 同时存储对于每一个粒子的最佳经历点的数值，用于更改
[globalbest_faval,i] = min(personalbest_faval); % min函数返回的第一个是最小值，还有一个就是最小值的下标，这里就是告诉了是在哪个粒子上
globalbest_x = personalbest_x(i,:); % 这个是必定是全局最优点的位置
k = 1; % 开始迭代计数
while k <= MaxNum % 当迭代次数达到设定的最大值的时候，就不要再进行迭代了
ObjV=Objfun(x,P,T,hiddennum,P_test,T_test); %计算目标函数值
for i = 1:particlesize % 对于每一个粒子
% f(i) = fitness(x(i,1)); % 得到每个粒子的当前位置在函数上的适应值
if ObjV(i) < personalbest_faval(i) % 如果这个值是小于个人最优解的位置的时候，就更新,我们经过转换，所以只用考虑求最小值的情况
personalbest_faval(i) = ObjV(i); % 将第i个粒子的个人最优解设置为
personalbest_x(i,:) = x(i,:); % 同时更改最有地址的位置
end
end