果蝇算法(FOA)优化BP神经网络回归预测,FOA-BP回归预测,多变量输入模型（Matlab完整源码和数据）

%% 基于果蝇优化的BP神经网络预测 clear all clc warning off; %%% clear clc rng('default'); %% 导入数据 %数据导入 %% clc;clear; warning off; %% 导入数据 %% data = xlsread('data.xlsx'); % 输入数据 input =data(1:end-1,1:end-1); output=data(2:end,end); nwhole =size(data,1)-1; tic %训练/测试数据 train_ratio=0.8; ntrain=round(nwhole*train_ratio); ntest =nwhole-ntrain; % 随机生成训练集、测试集 k = 1:size(input,1); % 准备输入和输出训练数据 input_train =input(k(1:ntrain),:)'; output_train=output(k(1:ntrain),:)'; % 准备测试数据 input_test =input(k(ntrain+1:ntrain+ntest),:)'; output_test=output(k(ntrain+1:ntrain+ntest),:)'; M = size(input_train,2); N = size(input_test,2); % 训练集 P_train=input_train; T_train=output_train; % 测试集 P_test=input_test; T_test=output_test; %% 归一化 % 训练集 [Pn_train,inputps] = mapminmax(P_train,-1,1); Pn_test = mapminmax('apply',P_test,inputps); % 测试集 [Tn_train,outputps] = mapminmax(T_train,-1,1); Tn_test = mapminmax('apply',T_test,outputps); %% 构造网络结构 %创建神经网络 inputnum = 7; %inputnum 输入层节点数 hiddennum = 21; %hiddennum 隐含层节点数 outputnum = 1; %outputnum 隐含层节点数 %% 构造果蝇优化器 popsize = 10;%种群数量 Max_iteration = 20;%最大迭代次数 lb = -2;%权值阈值下边界 ub = 2;%权值阈值上边界 % inputnum * hiddennum + hiddennum*outputnum 为权值的个数 % hiddennum + outputnum 为阈值的个数 dim = inputnum * hiddennum + hiddennum*outputnum + hiddennum + outputnum ;% inputnum * hiddennum + hiddennum*outputnum维度 fobj = @(x)funBP(x,inputnum,hiddennum,outputnum,Pn_train,Tn_train,Pn_test,Tn_test); [Best_score,Best_pos,FOA_cg_curve,net]=FOA(fobj,popsize,Max_iteration,lb,ub,dim); figure plot(FOA_cg_curve) title('迭代曲线') xlabel('迭代次数'); ylabel('损失值'); legend('FOA') grid on; disp('初始化阈值与权值信息：') FOABPn_train = sim(net, Pn_train); FOABPn_test = sim(net, Pn_test); % 反归一化 FOABP_train = mapminmax('reverse',FOABPn_train,outputps); FOABP_test = mapminmax('reverse',FOABPn_test,outputps); %% 数据输出 %% 绘图 figure plot(FOABP_train,'r-o','linewidth',1) hold on plot(T_train,'b-*','linewidth',1) legend('FOA-BP预测输出','实际数据','Location','NorthWest','FontName','华文宋体'); title('模型训练结果及真实值','fontsize',12,'FontName','华文宋体') xlabel('训练集样本编号','fontsize',12,'FontName','华文宋体'); ylabel('数值','fontsize',12,'FontName','华文宋体'); xlim([1, M]) grid figure plot(FOABP_test,'r-o','linewidth',1) hold on plot(T_test,'b-*','linewidth',1) legend( 'FOA-BP预测输出','实际数据','Location','NorthWest','FontName','华文宋体'); title('模型测试结果及真实值','fontsize',12,'FontName','华文宋体') xlabel('测试集样本编号','fontsize',12,'FontName','华文宋体'); ylabel('数值','fontsize',12,'FontName','华文宋体'); xlim([1, N]) grid %% 分割线 disp('**************************') disp(['下列是输出']) disp('**************************') %% 相关指标计算 % R2 R1 = 1 - norm(output_train - FOABP_train)^2 / norm(output_train - mean(output_train))^2; R2 = 1 - norm(output_test - FOABP_test)^2 / norm(output_test - mean(output_test))^2; disp(['训练集数据的R2为：', num2str(R1)]) disp(['测试集数据的R2为：', num2str(R2)]) % MAPE mape1 = sum(abs(FOABP_train - output_train)./output_train) ./ M ; mape2 = sum(abs(FOABP_test - output_test)./output_test) ./ N ; disp(['训练集数据的MAPE为：', num2str(mape1)]) disp(['测试集数据的MAPE为：', num2str(mape2)]) % RMSE rmse1= sqrt(sumsqr(output_train - FOABP_train)/M); rmse2= sqrt(sumsqr(output_test - FOABP_test)/N); disp(['训练集数据的RMSE为：', num2str(rmse1)]) disp(['测试集数据的RMSE为：', num2str(rmse2)]) % MSE mse1= sumsqr(output_train - FOABP_train)/M; mse2= sumsqr(output_test - FOABP_test)/N; disp(['训练集数据的MSE为：', num2str(mse1)]) disp(['测试集数据的MSE为：', num2str(mse2)])