天牛须优化BP神经网络算法（matlab代码）

clear all; close all; clc; %% 参数设置 N=30; %麻雀个数 dim=2; %评估函数维度 N_discoverer=0.7*N; %发现者个数 N_Followers=0.1*N; %追随者个数 N_Vigilant=0.2*N; %警戒者个数 Max_iter=100; %最大迭代次数 ST=0.6; %安全阈值 %% 测试函数 f=@(x) sum(x.^2); ub=10;%边界上限 lb=-10;%边界下限 %% 初始化 x=lb+rand(N,dim).*(ub-lb); %初始化麻雀种群 for i=1:N fitness(i)=f(x(i,:)); %计算麻雀种群的适应度值 end [A,index]=sort(fitness); x_best=x(index(1),:); %记录所有麻雀走过的位置的最优位置 x_worst=x(index(end),:); %记录所有麻雀走过的位置的最差位置 best_fitness=A(1); %记录所有麻雀走过的位置的最优值 worst_fitness=A(end); %记录所有麻雀走过的位置的最差值 x_best_currently=x(index(1),:); %记录当前麻雀种群最优位置 x_worst_currently=x(index(end),:); %记录当前麻雀种群最差位置 best_fitness_currently=A(1); %记录当前麻雀种群最优值 worst_fitness_currently=A(end); %记录当前麻雀种群最差值 x_discoverer=x(index(1:N_discoverer),:); %发现者位置 x_Followers=x(index(N_discoverer+1:N_discoverer+N_Followers),:); %追随者位置 x_Vigilant=x(index(N_discoverer+N_Followers+1:N),:); %警戒者位置 B=[-1,1]; F=best_fitness; %记录每次迭代的麻雀走过的位置的最优值 iter=1; %初始化迭代次数 %% 开始迭代更新 while iter<Max_iter for i=1:dim C(i)=B(round(rand)+1); end A=C'*inv((C*C')); R2=rand; %更新发现者位置 for i=1:N_discoverer for j=1:dim if R2<ST x_discoverer(i,j)=x_discoverer(i,j)*exp(-i/rand*Max_iter); else x_discoverer(i,j)=x_discoverer(i,j)+randn; end end %边界判断 ub_flag=x_discoverer(i,:)>ub; lb_flag=x_discoverer(i,:)<lb; x_discoverer(i,:)=(x_discoverer(i,:).*(~(ub_flag+lb_flag)))+ub.*ub_flag+lb.*lb_flag; end %更新追随者位置 for i=1:N_Followers for j=1:dim if i>N/2 x_Followers(i,j)=rand*exp((x_worst_currently(j)-x_Followers(i,j))/i^2); else x_Followers(i,j)=x_discoverer(1,j)+abs(x_Followers(i,j)-x_discoverer(1,j))*A(j); end end %边界判断 ub_flag=x_Followers(i,:)>ub; lb_flag=x_Followers(i,:)<lb; x_Followers(i,:)=(x_Followers(i,:).*(~(ub_flag+lb_flag)))+ub.*ub_flag+lb.*lb_flag; end %更新警戒者位置 for i=1:N_Vigilant for j=1:dim if f(x_Vigilant(i,:))~=best_fitness_currently x_Vigilant(i,j)=x_best_currently(j)+randn*abs(x_Vigilant(i,j)-x_best_currently(j)); else x_Vigilant(i,j)=x_Vigilant(i,j)+B(round(rand)+1)*(abs(x_Vigilant(i,j)-x_worst_currently(j)))/abs(f(x_Vigilant(i,:))-worst_fitness_currently)+1; end end %边界判断 ub_flag=x_Vigilant(i,:)>ub; lb_flag=x_Vigilant(i,:)<lb; x_Vigilant(i,:)=(x_Vigilant(i,:).*(~(ub_flag+lb_flag)))+ub.*ub_flag+lb.*lb_flag; end x=[x_discoverer;x_Followers;x_Vigilant]; %得到该次迭代下的所有麻雀的新位置 for i=1:N fitness(i)=f(x(i,:)); %计算适应度 end [E,index]=sort(fitness); if f(x(index(1),:))<best_fitness %更新所有麻雀走过的位置的最优位置和最优值 best_fitness=f(x(index(1),:)); x_best=x(index(1),:); end if f(x(index(end),:))>worst_fitness %更新所有麻雀走过的位置的最差位置和最差值 worst_fitness= f(x(index(end),:)); x_worst=x(index(end),:); end x_best_currently=x(index(1),:); %更新当前麻雀种群的最优位置 x_worst_currently=x(index(end),:); %更新当前麻雀种群的最差位置 best_fitness_currently=E(1); %更新当前麻雀的种群的最优值 worst_fitness_currently=E(end); %更新当前麻雀的种群的最差值 x_discoverer=x(index(1:N_discoverer),:); %重新选择种群中的发现者 x_Followers=x(index(N_discoverer+1:N_discoverer+N_Followers),:); %重新选择种群中的追随者 x_Vigilant=x(index(N_discoverer+N_Followers+1:N),:); %重新选择种群中的警戒者 F=[F,best_fitness]; iter=iter+1; %迭代次数加一 end %% 结果 作图 display(['最优值是:',num2str(F(end)),'最优麻雀位置:',num2str(x_best)]); figure(1); plot(F); xlabel('迭代次数'),ylabel('适应度值');