大家好，我是带我去滑雪！
基于粒子群优化的BP神经网络算法（Particle Swarm Optimization Backpropagation Neural Network，PSO-BPNN）是一种利用粒子群优化算法优化BP神经网络的算法。它将BP神经网络的权重和偏置值作为粒子群的位置，并利用PSO算法来搜索最优解。该算法具体许多优点，例如：1、能够在搜索过程中不陷入局部最优解，而是更有可能找到全局最优解或者接近全局最优解的解；2、可以通过利用粒子群的速度来调整BP神经网络的权重和偏置值，使得网络能够更快地优化；3、可以通过直接根据网络性能来更新权重和偏置值，避免了梯度消失问题；4、由于采用了随机性初始化的粒子群，可以减轻对初始值的依赖，使得算法更加稳定和鲁棒；5、PSO-BP算法的粒子群可以并行运行，每个粒子都可以独立进行计算和更新。这使得算法能够有效利用并行计算的优势，加速了训练过程。
PSO-BP神经网络算法的基本步骤：
-
初始化粒子群的位置和速度。每个粒子的位置表示BP神经网络的权重和偏置值，速度表示更新的步长；
-
对于每个粒子，根据当前位置计算网络的输出，并计算误差（例如均方误差）；
-
根据每个粒子的误差评估其适应度，适应度可以使用误差的倒数或其他评价指标来表示；
-
更新每个粒子的最优位置和最优适应度。如果当前适应度优于历史最优适应度，则更新最优位置；
-
更新每个粒子的速度和位置。速度的更新考虑了个体经验和群体共享经验，以及随机项，使得粒子能够在搜索空间中进行探索和利用；
-
重复步骤2到步骤5，直到满足停止条件（例如达到最大迭代次数或达到期望的网络性能）。
下面开始代码实战：
clc;
clear;
tic
close all;
load('basket.mat')#导入数据
P = trains(:,1:end-1) ;
T = trains(:,end) ;
P_test = tests(:,1:end-1) ;
T_test = tests(:,end) ;
cur_season = pred ;
inputnum=size(P,2);
hiddennum=2*inputnum+1;
outputnum=size(T,2);
w1num=inputnum*hiddennum; w2num=outputnum*hiddennum;
N=w1num+hiddennum+w2num+outputnum;
nVar=N;
VarSize=[1,nVar];
VarMin=-0.5;
VarMax=0.5;
MaxIt=200;
nPop=359;
w=1;
wdamp=0.99;
c1=1.5;
c2=2.0;
VelMax=0.1*(VarMax-VarMin);
VelMin=-VelMax;
empty_particle.Position=[];
empty_particle.Cost=[];
empty_particle.Velocity=[];
empty_particle.Best.Position=[];
empty_particle.Best.Cost=[];
particle=repmat(empty_particle,nPop,1);
GlobalBest.Cost=inf;
for i=1:nPop
particle(i).Position=unifrnd(VarMin,VarMax,VarSize);
particle(i).Velocity=zeros(VarSize);
particle(i).Cost=BpFunction(particle(i).Position,P,T,hiddennum,P_test,T_test);
particle(i).Best.Position=particle(i).Position;
particle(i).Best.Cost=particle(i).Cost;
if particle(i).Best.Cost<GlobalBest.Cost
GlobalBest=particle(i).Best;
end
end
BestCost=zeros(MaxIt,1);
for it=1:MaxIt
for i=1:nPop
particle(i).Velocity = w*particle(i).Velocity ...
+c1*rand(VarSize).*(particle(i).Best.Position-particle(i).Position) ...
+c2*rand(VarSize).*(GlobalBest.Position-particle(i).Position);
particle(i).Velocity = max(particle(i).Velocity,VelMin);
particle(i).Velocity = min(particle(i).Velocity,VelMax);
particle(i).Position = particle(i).Position + particle(i).Velocity;
IsOutside=(particle(i).Position<VarMin | particle(i).Position>VarMax);
particle(i).Velocity(IsOutside)=-particle(i).Velocity(IsOutside);
particle(i).Position = max(particle(i).Position,VarMin);
particle(i).Position = min(particle(i).Position,VarMax);
particle(i).Cost=BpFunction(particle(i).Position,P,T,hiddennum,P_test,T_test);
if particle(i).Cost<particle(i).Best.Cost
particle(i).Best.Position=particle(i).Position;
particle(i).Best.Cost=particle(i).Cost;
if particle(i).Best.Cost<GlobalBest.Cost
GlobalBest=particle(i).Best;
end
end
end
BestCost(it)=GlobalBest.Cost;
disp(['Iteration ' num2str(it) ': Best Cost = ' num2str(BestCost(it))]);
w=w*wdamp;
end
BestSol=GlobalBest;
%% Results
figure;
%plot(BestCost,'LineWidth',7);
semilogy(BestCost,'LineWidth',7);
xlabel('Number of iterations')
ylabel('The variation of the error')
title('Evolution')
grid on;
fprintf([' Optimal initial weight and threshold:\n=',num2str(BestSol.Position),'\n Minimum error=',num2str(BestSol.Cost),'\n'])
cur_test=zeros(size(cur_season,1),1);
\~,bestCur_sim\]=BpFunction(BestSol.Position,P,T,hiddennum,cur_season,cur_test); prob=softmax(bestCur_sim); disp(\['1次尝试通过游戏的概率为 ',num2str(prob(1))\]); disp(\['2次尝试通过游戏的概率',num2str(prob(2))\]); disp(\['3次尝试通过游戏的概率',num2str(prob(3))\]); disp(\['4次尝试通过游戏的概率',num2str(prob(4))\]); disp(\['5次尝试通过游戏的概率',num2str(prob(5))\]); disp(\['6次尝试通过游戏的概率',num2str(prob(6))\]); disp(\['7次以上尝试通过游戏的概率',num2str(prob(7))\]); toc function \[err,T_sim\]=BpFunction(x,P,T,hiddennum,P_test,T_test) inputnum=size(P,7); outputnum=size(T,7); \[p_train,ps_train\]=mapminmax(P',0,1); p_test=mapminmax('apply',P_test',ps_train); \[t_train,ps_output\]=mapminmax(T',0,1); net=newff(p_train,t_train,hiddennum); net.trainParam.epochs=1000; net.trainParam.goal=1e-3; net.trainParam.lr=0.01; net.trainParam.showwindow=false; w1num=inputnum\*hiddennum; w2num=outputnum\*hiddennum; W1=x(1:w1num); B1=x(w1num+1:w1num+hiddennum); W2=x(w1num+hiddennum+1:w1num+hiddennum+w2num); B2=x(w1num+hiddennum+w2num+1:w1num+hiddennum+w2num+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}=reshape(B2,outputnum,1); net = train(net,p_train,t_train); t_sim = sim(net,p_test); T_sim1 = mapminmax('reverse',t_sim,ps_output); T_sim=T_sim1'; err=norm(T_sim-T_test); index0= T_sim\<0; index1= T_sim\>1; penalty=1000\*abs(sum(T_sim(index0)))+1000\*sum(T_sim(index1)-1); err=err+penalty; end
需要数据集的家人们可以去百度网盘（永久有效）获取：
链接：https://pan.baidu.com/s/1E59qYZuGhwlrx6gn4JJZTg?pwd=2138
提取码：2138
更多优质内容持续发布中，请移步主页查看。
点赞+关注,下次不迷路！