【改进模糊神经网络】基于粒子群-万有引力算法PSOGSA 改进的前馈神经网络研究（Matlab代码实现）

 👨‍🎓个人主页：研学社的博客 

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

💥1 概述

📚2 运行结果

2.1 FNNPSO

​2.2 FNNPSOGSA

​2.3 FNNGSA

🎉3 参考文献

🌈4 Matlab代码实现

---

💥1 概述

本文利用粒子群优化（PSO）和引力搜索算法（GSA）的混合体，称为PSOGSA，用于训练前馈神经网络（FNN）。该算法应用于众所周知的鸢尾花数据集。

模糊神经网络（FNN）将神经网络和模糊逻辑相结合，本质上是对常规的神经网络赋予模糊输入信号和模糊权值，其同时具有神经网络的强大学习能力和模糊逻辑推理的强大结构性知识表达能力 [8] ，其结构图如图 1 所示。

📚2 运行结果

2.1 FNNPSO

 2.2 FNNPSOGSA

 2.3 FNNGSA

 

部分代码：

HiddenNodes=15;       %Number of hidden codes
Dim=8*HiddenNodes+3;  %Dimension of particles in PSO
TrainingNO=150;       %Number of training samples

%% PSO/
%Initial Parameters for PSO
noP=30;           %Number of particles
Max_iteration=500;%Maximum number of iterations
w=2;              %Inirtia weight
wMax=0.9;         %Max inirtia weight
wMin=0.5;         %Min inirtia weight
c1=2;
c2=2;
dt=0.8;

vel=zeros(noP,Dim); %Velocity vector
pos=zeros(noP,Dim); %Position vector

%Cognitive component/ 
pBestScore=zeros(noP);
pBest=zeros(noP,Dim);
%

%Social component///
gBestScore=inf;
gBest=zeros(1,Dim);
%///

ConvergenceCurve=zeros(1,Max_iteration); %Convergence vector

%Initialization
for i=1:size(pos,1) % For each Particle
    for j=1:size(pos,2) % For each dimension
           pos(i,j)=rand();
        vel(i,j)=0.3*rand();
    end
end

 %initialize gBestScore for min
 gBestScore=inf;
     
    
for Iteration=1:Max_iteration
    %Calculate MSE
    for i=1:size(pos,1)  
        for ww=1:(7*HiddenNodes)
            Weights(ww)=pos(i,ww);
        end
        for bb=7*HiddenNodes+1:Dim
            Biases(bb-(7*HiddenNodes))=pos(i,bb);
        end        
        fitness=0;
        for pp=1:TrainingNO
            actualvalue=My_FNN(4,HiddenNodes,3,Weights,Biases,I2(pp,1),I2(pp,2), I2(pp,3),I2(pp,4));
            if(T(pp)==-1)
                fitness=fitness+(1-actualvalue(1))^2;
                fitness=fitness+(0-actualvalue(2))^2;
                fitness=fitness+(0-actualvalue(3))^2;
            end
            if(T(pp)==0)
                fitness=fitness+(0-actualvalue(1))^2;
                fitness=fitness+(1-actualvalue(2))^2;
                fitness=fitness+(0-actualvalue(3))^2;   
            end
            if(T(pp)==1)
                fitness=fitness+(0-actualvalue(1))^2;
                fitness=fitness+(0-actualvalue(2))^2;
                fitness=fitness+(1-actualvalue(3))^2;              
            end
        end
        fitness=fitness/TrainingNO;

        if Iteration==1
            pBestScore(i)=fitness;
        end
        
        if(pBestScore(i)>fitness)
            pBestScore(i)=fitness;
            pBest(i,:)=pos(i,:);
        end

🎉3 参考文献

部分理论来源于网络，如有侵权请联系删除。

[1]S. Mirjalili, S. Z. Mohd Hashim, and H. Moradian Sardroudi, "Training 
feedforward neural networks using hybrid particle swarm optimization and 
gravitational search algorithm," Applied Mathematics and Computation, 
vol. 218, pp. 11125-11137, 2012.

[2]乔楠.基于SSA-FNN的光伏功率超短期预测研究[J].光源与照明,2022(10):98-100.

🌈4 Matlab代码实现