鲸鱼优化算法优化多输入多输出BP神经网络回归分析，多输入多输出BP神经网络

clc clear close all AA=xlsread('3.xlsx'); input=ones(48,3); input(:,1)=AA(:,2); input(:,2)=AA(:,3); input(:,3)=AA(:,4); input1=input'; [in,ps]=mapminmax(input1,0,1); in1=in'; input=ones(48,2); output(:,1)=AA(:,5); output(:,2)=AA(:,6); T=output(1:36,:)';%; T_test=output(37:48,:)'; P=in1(1:36,:)';%; P_test=in1(37:48,:)'; input_train =P; input_test = P_test; output_train = T; output_test = T_test; %% 数据归一化 [inputn,inputps]=mapminmax(input_train,0,1); [outputn,outputps]=mapminmax(output_train); inputn_test=mapminmax('apply',input_test,inputps); %% 获取输入层节点、输出层节点个数 inputnum = 3; %hiddennum = 8; outputnum = 2; % 确定隐含层节点个数 % 采用经验公式hiddennum=sqrt(m+n)+a，m为输入层节点个数，n为输出层节点个数，a一般取为1-10之间的整数 MSE=1e+8; % 初始化最小误差 for hiddennum=3:20; % 构建网络 net=newff(inputn,outputn,hiddennum); % 网络参数 net.trainParam.epochs=100000; % 训练次数 net.trainParam.lr=0.0005; % 学习速率 net.trainParam.goal=0.000001; % 训练目标最小误差 % 网络训练 net=train(net,inputn,outputn); an0=sim(net,inputn); % 仿真结果 mse0=mse(outputn,an0); % 仿真的均方误差 disp(['隐含层节点数为',num2str(hiddennum),'时，训练集的均方误差为：',num2str(mse0)]) % 更新最佳的隐含层节点 if mse0<MSE MSE=mse0; hiddennum_best=hiddennum; end end disp(['最佳的隐含层节点数为：',num2str(hiddennum_best),'，相应的均方误差为：',num2str(MSE)]) %% 构建最佳隐含层节点的BP神经网络 disp(' ') disp('标准的BP神经网络：') net0=newff(inputn,outputn,hiddennum_best,{'logsig','purelin'},'trainlm');% 建立模型 % 网络参数配置 net0.trainParam.epochs=1000; % 训练次数，这里设置为1000次 net0.trainParam.lr=0.01; % 学习速率，这里设置为0.01 net0.trainParam.goal=0.00005; % 训练目标最小误差，这里设置为0.0001 net0.trainParam.show=25; % 显示频率，这里设置为每训练25次显示一次 net0.trainParam.mc=0.01; % 动量因子 net0.trainParam.min_grad=1e-3; % 最小性能梯度 net0.trainParam.max_fail=8; % 最高失败次数 % 开始训练 net0=train(net0,inputn,outputn); % 预测 an0=sim(net0,inputn_test); % 用训练好的模型进行仿真 % 预测结果反归一化与误差计算 test_simu0=mapminmax('reverse',an0,outputps); % 把仿真得到的数据还原为原始的数量级 % 误差指标 disp('输出序列1误差：') [mae0,mse0,rmse0,mape0,error0,errorPercent0]=compute_error(output_test(1,:),test_simu0(1,:)); disp('输出序列2误差：') [mae1,mse1,rmse1,mape1,error1,errorPercent1]=compute_error(output_test(2,:),test_simu0(2,:)); %% 鲸鱼优化算法寻最优权值阈值 disp(' ') disp('CIWOA优化BP神经网络：') net=newff(inputn,outputn,hiddennum_best,{'logsig','tansig'},'trainlm');% 建立模型 % 网络参数配置 net.trainParam.epochs=1000; % 训练次数，这里设置为1000次 net.trainParam.lr=0.01; % 学习速率，这里设置为0.01 net.trainParam.goal=0.00005; % 训练目标最小误差，这里设置为0.0001 net.trainParam.show=25; % 显示频率，这里设置为每训练25次显示一次 net.trainParam.mc=0.01; % 动量因子 net.trainParam.min_grad=1e-3; % 最小性能梯度 net.trainParam.max_fail=6; % 最高失败次数 %% 初始化WOA参数 popsize=30; % 初始种群规模 maxgen=50; % 最大进化代数 dim=inputnum*hiddennum_best+hiddennum_best+hiddennum_best*outputnum+outputnum; % 自变量个数 lb=repmat(-3,1,dim); % 自变量下限 ub=repmat(3,1,dim); % 自变量上限 % 初始化位置向量和领导者得分 % Leader_pos1=zeros(1,dim); leader_pos1=rand(1,dim); rho=1; % LSY：Cubic map混沌映射，用于初始化WOA（鲸鱼算法）的初始种群方式，使其不再随机！ leader_pos=rho.*(1-leader_pos1.^2); Leader_score=10^20; %% 初始化种群 for i=1:dim ub_i=ub(i); lb_i=lb(i); Positions(:,i)=rand(popsize,1).*(ub_i-lb_i)+lb_i; end curve=zeros(maxgen,1);% 初始化收敛曲线 %% 循环开始 h0=waitbar(0,'CIWOA optimization...'); for t=1:maxgen for i=1:size(Positions,1)% 对每个个体一个一个检查是否越界 % 对每个个体一个一个检查是否越界 % 返回超出搜索空间边界的搜索代理 Flag4ub=Positions(i,:)>ub; Flag4lb=Positions(i,:)<lb; Positions(i,:)=(Positions(i,:).*(~(Flag4ub+Flag4lb)))+ub.*Flag4ub+lb.*Flag4lb;% 超过最大值的设置成最大值，超过最小值的设置成最小值 % 目标函数值的计算 fit(i)=fitnessci(Positions(i,:),inputnum,hiddennum_best,outputnum,net,inputn,outputn,output_train,inputn_test,outputps,output_test); % 更新领导者位置 if fit(i)<Leader_score Leader_score=fit(i); Leader_pos=Positions(i,:); end end a=2-t*((2)/maxgen); a2=-1+t*((-1)/maxgen); % 参数更新 for i=1:size(Positions,1) r1=rand();r2=rand(); A=2*a*r1-a; C=2*r2; b=1; l=(a2-1)*rand+1; p = rand(); mm=1; wmax=1; wmin=0; w=wmin+(wmax-wmin)*mm*exp(-t/maxgen);%LSY:自适应权重 for j=1:size(Positions,2)% 对每一个个体地多维度进行循环运算 % 收缩包围机制 if p<0.5 if abs(A)>=1 rand_leader_index = floor(popsize*rand()+1);%floor将 X 的每个元素四舍五入到小于或等于该元素的最接近整数 X_rand = Positions(rand_leader_index, :); D_X_rand=abs(C*X_rand(j)-Positions(i,j)); Positions(i,j)=w*X_rand(j)-A*D_X_rand; %Positions(i,j)=X_rand(j)-A*D_X_rand; elseif abs(A)<1 D_Leader=abs(C*Leader_pos(j)-Positions(i,j)); Positions(i,j)=w*Leader_pos(j)-A*D_Leader; end % 螺旋更新位置 elseif p>=0.5 distance2Leader=abs(Leader_pos(j)-Positions(i,j)); Positions(i,j)=distance2Leader*exp(b.*l).*cos(l.*2*pi)+Leader_pos(j); end end end curve(t)=Leader_score; waitbar(t/maxgen,h0) end close(h0) setdemorandstream(pi); %% 绘制进化曲线 figure plot(curve,'r-','linewidth',2) xlabel('进化代数') ylabel('均方误差') legend('最佳适应度') title('WOA的进化曲线') w1=Leader_pos(1:inputnum*hiddennum_best); % 输入层到中间层的权值 B1=Leader_pos(inputnum*hiddennum_best+1:inputnum*hiddennum_best+hiddennum_best); % 中间各层神经元阈值 w2=Leader_pos(inputnum*hiddennum_best+hiddennum_best+1:inputnum*hiddennum_best+hiddennum_best+hiddennum_best*outputnum); %中间层到输出层的权值 B2=Leader_pos(inputnum*hiddennum_best+hiddennum_best+hiddennum_best*outputnum+1:inputnum*hiddennum_best+hiddennum_best+hiddennum_best*outputnum+outputnum); %输出层各神经元阈值 %矩阵重构 net.iw{1,1}=reshape(w1,hiddennum_best,inputnum); net.lw{2,1}=reshape(w2,outputnum,hiddennum_best); net.b{1}=reshape(B1,hiddennum_best,1); net.b{2}=reshape(B2,outputnum,1); net=newff(inputn,outputn,hiddennum_best,{'logsig','tansig'},'trainlm');% 建立模型 %% 优化后的神经网络训练 net=train(net,inputn,outputn); % 开始训练，其中inputn,outputn分别为输入输出样本 %% 优化后的神经网络测试 an1=sim(net,inputn_test); test_simu1=mapminmax('reverse',an1,outputps); % 把仿真得到的数据还原为原始的数量级 load maynet.mat % 误差指标 disp('输出序列1误差：') [mae1,mse1,rmse1,mape1,error1,errorPercent1]=compute_error(output_test(1,:),test_simu1(1,:)); disp('输出序列2误差：') [mae2,mse2,rmse2,mape2,error2,errorPercent2]=compute_error(output_test(2,:),test_simu1(2,:)); %% 作图 figure plot(output_test(1,:),'b-*','linewidth',1) hold on plot(test_simu0(1,:),'r-v','linewidth',1,'markerfacecolor','r') hold on plot(test_simu1(1,:),'m-o','linewidth',1,'markerfacecolor','m') legend('真实值','BP预测值','CIWOA-BP预测值') % legend('真实值','CIWOA-BP预测值') xlabel('测试样本编号') ylabel('指标值') title('WOA优化前后的BP神经网络预测值和真实值对比图')