蚁群算法ACO优化BP神经网络回归预测MATLAB代码

%% 初始化 clear close all clc warning off %% 数据读取 data=xlsread('数据.xlsx','Sheet1','A1:N252'); %%使用xlsread函数读取EXCEL中对应范围的数据即可 %输入输出数据 input=data(:,1:end-1); %data的第一列-倒数第二列为特征指标 output=data(:,end); %data的最后面一列为输出的指标值 N=length(output); %全部样本数目 testNum=15; %设定测试样本数目 trainNum=N-testNum; %计算训练样本数目 %% 划分训练集、测试集 input_train = input(1:trainNum,:)'; output_train =output(1:trainNum)'; input_test =input(trainNum+1:trainNum+testNum,:)'; output_test =output(trainNum+1:trainNum+testNum)'; %% 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=size(input,2); outputnum=size(output,2); disp('/////////////////////////////////') disp('神经网络结构...') disp(['输入层的节点数为：',num2str(inputnum)]) disp(['输出层的节点数为：',num2str(outputnum)]) disp(' ') disp('隐含层节点的确定过程...') %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+5; %初始化最小误差 for hiddennum=fix(sqrt(inputnum+outputnum))+1:fix(sqrt(inputnum+outputnum))+10 %构建网络 net=newff(inputn,outputn,hiddennum); % 网络参数 net.trainParam.epochs=1000; % 训练次数 net.trainParam.lr=0.01; % 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,{'tansig','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=0.00001; % 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-6; % 最小性能梯度 net0.trainParam.max_fail=6; % 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 [mae0,mse0,rmse0,mape0,error0,errorPercent0]=calc_error(output_test,test_simu0); %% 蚁群算法寻最优权值阈值 disp(' ') disp('ACO优化BP神经网络：') net=newff(inputn,outputn,hiddennum_best,{'tansig','purelin'},'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=0.00001; % 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-6; % 最小性能梯度 net.trainParam.max_fail=6; % 最高失败次数 %初始化ACO参数 popsize=10; %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 rou=0.9; %信息素挥发系数 p0=0.2; %转移概率常数 Q=1; %信息释放总量 p=zeros(1,popsize); %转移概率 Positions=zeros(popsize,dim); %蚂蚁种群 tau=zeros(popsize,1); %信息素记录 Convergence_curve=zeros(maxgen,1); %进化曲线 %随机设置蚂蚁的初值位置 for i=1:popsize Positions(i,:)=(lb+(ub-lb).*rand(1,dim)); tau(i)=fitness(Positions(i,:),inputnum,hiddennum_best,outputnum,net,inputn,outputn,output_train,inputn_test,outputps,output_test); end [tau_best,bestindex]=min(tau);%最高信息素 Best_pos=rand(1,dim); Best_score=fitness(Best_pos,inputnum,hiddennum_best,outputnum,net,inputn,outputn,output_train,inputn_test,outputps,output_test); %计算初始最佳个体 信息素含量最高 if tau_best<Best_score Best_score=tau_best; Best_pos=Positions(bestindex,:); end for i=1:popsize%计算状态转移概率 p(i)=(tau(bestindex)-tau(i))/tau(bestindex); end %% 开始进化 h0 = waitbar(0,'进度','Name','ACO optimization...',... 'CreateCancelBtn','setappdata(gcbf,''canceling'',1)'); setappdata(h0,'canceling',0); for d=1:maxgen lamda=1/d; for i=1:popsize if p(i)<p0 %局部搜索 temp=Positions(i,:)+(2*rand(1,dim)-1)*lamda; else %全局搜索 temp=Positions(i,:)+(ub-lb).*(rand(1,dim)-0.5); end %越界处理 temp=max(lb,temp); temp=min(ub,temp); %判断蚂蚁是否移动 if fitness(temp,inputnum,hiddennum_best,outputnum,net,inputn,outputn,output_train,inputn_test,outputps,output_test)<fitness(Positions(i,:),inputnum,hiddennum_best,outputnum,net,inputn,outputn,output_train,inputn_test,outputps,output_test) Positions(i,:)=temp; end end %计算信息素 for i=1:popsize tau(i)=(1-rou)*tau(i)+Q*fitness(Positions(i,:),inputnum,hiddennum_best,outputnum,net,inputn,outputn,output_train,inputn_test,outputps,output_test); end %最佳信息素（更新全局最优） [tau_best,bestindex]=min(tau); if tau_best<Best_score Best_score=tau_best; Best_pos=Positions(bestindex,:); end %计算状态转移概率 for i=1:popsize p(i)=(tau(bestindex)-tau(i))/tau(bestindex); end %存储进化信息 Convergence_curve(d)=Best_score; waitbar(d/maxgen,h0,[num2str(d/maxgen*100),'%']) if getappdata(h0,'canceling') break end end delete(h0) setdemorandstream(pi); %% 绘制进化曲线 figure plot(Convergence_curve,'r-','linewidth',2) xlabel('进化代数') ylabel('均方误差') legend('最佳适应度') title('ACO的进化收敛曲线') w1=Best_pos(1:inputnum*hiddennum_best); %输入层到中间层的权值 B1=Best_pos(inputnum*hiddennum_best+1:inputnum*hiddennum_best+hiddennum_best); %中间各层神经元阈值 w2=Best_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=Best_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); %% 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 %误差指标 [mae1,mse1,rmse1,mape1,error1,errorPercent1]=calc_error(output_test,test_simu1); %% 作图 figure plot(output_test,'b-*','linewidth',1) hold on plot(test_simu0,'r-v','linewidth',1,'markerfacecolor','r') hold on plot(test_simu1,'k-o','linewidth',1,'markerfacecolor','k') legend('真实值','BP预测值','ACO-BP预测值') xlabel('测试样本编号') ylabel('指标值') title('ACO优化前后的BP神经网络预测值和真实值对比图') figure plot(error0,'rv-','markerfacecolor','r') hold on plot(error1,'ko-','markerfacecolor','k') legend('BP预测误差','ACO-BP预测误差') xlabel('测试样本编号') ylabel('预测偏差') title('ACO优化前后的BP神经网络预测值和真实值误差对比图')