粒子群优化BP神经网络的权值和阈值

%% 该代码为基于PSO和BP网络的预测 %% 清空环境 clc clear %读取数据 load data input_train input_test output_train output_test %节点个数 inputnum=8; hiddennum=17; outputnum=8; %训练数据和预测数据 input_train; input_test; output_train; output_test; %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 wmax=0.9; wmin=0.4; Vmax=1; Vmin=-1; popmax=5; popmin=-5; %% 产生初始粒子和速度 for i=1:sizepop %随机产生一个种群 pop(i,:)=5*rands(1,8); %初始种群 vov(i,:)=rands(1,8); %初始化速度 %计算适应度 fitness(i)=fun(pop(i,:),inputnum,hiddennum,outputnum,net,inputn,outputn); %染色体的适应度 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 %粒子位置和速度更新 for j=1:sizepop w=wmax-(wmax-wmin)*j/maxgen; %速度更新 vov(j,:) = w*vov(j,:) + c1*rand*(gbest(j,:) - pop(j,:)) + c2*rand*(zbest - pop(j,:)); vov(j,find(vov(j,:)>Vmax))=Vmax; vov(j,find(vov(j,:)<Vmin))=Vmin; %种群更新 pop(j,:)=pop(j,:)+0.5*vov(j,:); pop(j,find(pop(j,:)>popmax))=popmax; pop(j,find(pop(j,:)<popmin))=popmin; %引入变异算子，重新初始化粒子 if rand>0.9 k=ceil(21*rand); pop(j,k)=rand; end %新粒子适应度值 fitness(j)=fun(pop(j,:),inputnum,hiddennum,outputnum,net,inputn,outputn); end %%个体极值和群体极值更新 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 %%每代最优值记录到yy数组中 yy(i)=fitnesszbest; end %% 结果分析 plot(yy) title(['适应度曲线 ' '终止代数＝' num2str(maxgen)],'fontsize',12); xlabel('进化代数','fontsize',12);ylabel('适应度','fontsize',12); x=zbest; %% 把最优初始阀值权值赋予网络预测 % %用遗传算法优化的BP网络进行值预测 w1=x(1:inputnum*hiddennum); B1=x(inputnum*hiddennum+1:inputnum*hiddennum+hiddennum); w2=x(inputnum*hiddennum+hiddennum+1:inputnum*hiddennum+hiddennum+hiddennum*outputnum); B2=x(inputnum*hiddennum+hiddennum+hiddennum*outputnum+1:inputnum*hiddennum+hiddennum+hiddennum*outputnum+outputnum); net.iw{1,1}=reshape(w1,hiddennum,inputnum); net.lw{2,1}=reshape(w2,outputnum,hiddennum); net.b{1}=reshape(B1,hiddennum,1); net.b{2}=B2; %% BP网络训练 %网络进化参数 net.trainParam.epochs=100; net.trainParam.lr=0.1; net.trainParam.goal=0.00001; %网络训练 [net,tr]=train(net,inputn,outputn); %% BP网络预测 %数据归一化 inputn_test=mapminmax('apply',input_test,inputps); an=sim(net,inputn_test); test_simu=mapminmax('reverse',an,outputps); error=test_simu-output_test; figure(2) plot(error) title('仿真预测误差','fontsize',12); xlabel('仿真次数','fontsize',12);ylabel('误差百分值','fontsize',12);