蚁群bp.zip_bp 预测_prediction accuracy_优化算法_蚁群优化BP_预测

%% 基于蚁群算法优化BP神经网络（ACO-BP）的的污垢预测研究 clc clear all close all %% 读取数据 data=xlsread('污垢2.xls'); %% 训练数据 tr_len=40;%训练数据个数 P_train=data(1:tr_len,3:12)';% 输入3-12列 T_train=data(1:tr_len,13)';% 输出13列 %% 测试样本 P_test=data(tr_len+1:end,3:12)';% 输入3-12列 T_test=data(tr_len+1:end,13)';% 输出13列 %% 数据归一化 % 训练样本 [Pn_train,inputps] = mapminmax(P_train,0,1); Pn_test = mapminmax('apply',P_test,inputps); % 测试样本 [Tn_train,outputps] = mapminmax(T_train,0,1); Tn_test = mapminmax('apply',T_test,outputps); [inputnum,N]=size(Pn_train);%输入节点数量 outputnum=size(Tn_train,1);%输出节点数量 hiddennum=7; %构建网络 net=newff(Pn_train,Tn_train,hiddennum); %% HS算法参数初始化 nVar=inputnum*hiddennum+hiddennum+hiddennum*outputnum+outputnum; %% 蚁群算法ACO参数初始化 Ant = 10; % 蚂蚁数量 Times = 10; % 蚂蚁移动次数 Rou = 0.8; % 信息素挥发系数 P0 = 0.2; % 转移概率常数 %% 取值范围 popmax = 1; % 待寻优阈值最大取值初始化 popmin =-1; % 待寻优阈值最小取值初始化 %% 产生初始粒子和速度 for i=1:Ant % 随机产生一个种群 %for j = 1: nVar pop(i,:) = (rand(1,nVar) * ( popmax-popmin ) + popmin ); % 初始种群个体 % end % 计算适应度 fitness(i)=objfun_BP(pop(i,:) ,inputnum,hiddennum,outputnum,net,Pn_train,Tn_train); end % 找最好的染色体 [bestfitness bestindex]=min(fitness); % 最大适应度值 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 T = 1:Times disp(['迭代次数: ',num2str(T)]) % 迭代次数 lamda = 1/T; % 随着迭代次数进行，蚂蚁信息素挥发参数 [bestfitness, bestindex]=min(fitness); % 找最好的适应度值 ysw(T) = bestfitness; % 存储最好的适应度值 for i=1:Ant P(T,i)=(fitness(bestindex)-fitness(i))/fitness(bestindex); % 计算状态转移概率 end % 蚂蚁个体更新 for i=1:Ant if P(T,i)<P0 % 局部搜索 temp(i,:) = pop(i,:)+(2*rand-1)*lamda; else % 全局搜索 temp(i,:) = pop(i,:)+(popmax-popmin)*(rand-0.5); end % 越界处理 temp(i,find(temp(i,:)>popmax))=popmax; temp(i,find(temp(i,:)<popmin))=popmin; % 判断蚂蚁是否移动 % if Fitness_ACO( temp(i,:), 'aco') < Fitness_ACO(pop(i,:), 'aco') % 判断蚂蚁是否移动 if objfun_BP(temp(i,:) ,inputnum,hiddennum,outputnum,net,Pn_train,Tn_train)< objfun_BP(pop(i,:) ,inputnum,hiddennum,outputnum,net,Pn_train,Tn_train); pop(i,:) = temp(i,:); end end % 更新信息量 for i=1:Ant fitness(i) = (1-Rou)*fitness(i) + objfun_BP(pop(i,:) ,inputnum,hiddennum,outputnum,net,Pn_train,Tn_train); % 更新信息量 end bestBP(T) = min(fitness); % 存储最好的适应度值 end [max_value,max_index] = min(fitness); % 最大适应度值 zbest = pop(max_index,:); %% 清除变量 clear Ant i T Rou p P0 lamda popmax popmin j N_PAR P V gbest max_index clear Lmax level fitnessgbest fitnesszbest bestfitness bestindex fitnessgbest %% 结果输出 fitnessbest = max_value % 返回最优阈值 zbest; % 最佳个体值 %time = toc % 返回CPU计算时间 figure('color',[1,1,1]) plot(bestBP,'b-') xlabel('迭代次数');ylabel('RMSE') 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=0.001; %网络训练 net=train(net,Pn_train,Tn_train); %% 训练集 T_sim=sim(net,Pn_train); T_simu=mapminmax('reverse',T_sim,outputps); figure plot(1:length(T_simu),T_simu,'r-o','linewidth',1) hold on plot(1:length(T_train),T_train,'b-.','linewidth',1) xlabel('训练样本') ylabel('污垢') title('蚁群算法优化BP神经网络（ACO-BP）') legend('预测值','实际值') %% BP网络预测 % %数据归一化 % Pn_test=mapminmax('apply',P_test,inputps); an=sim(net,Pn_test); test_simu=mapminmax('reverse',an,outputps); %error=test_simu-output_test; figure plot(1:length(test_simu),test_simu,'r-o','linewidth',1) hold on plot(1:length(test_simu),T_test,'b-.','linewidth',1) ylabel('污垢') title('蚁群算法优化BP神经网络（ACO-BP）') legend('预测值','实际值')