【优化求解】生物地理算法求解MLP问题【含Matlab源码 1415期】

💥💥💥💥💥💥💥💥💞💞💞💞💞💞💞💞💞Matlab武动乾坤博客之家💞💞💞💞💞💞💞💞💞💥💥💥💥💥💥💥💥
🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀

🔊博主简介：985研究生，Matlab领域科研开发者；

🚅座右铭：行百里者，半于九十。

🏆代码获取方式：
优快云 Matlab武动乾坤—代码获取方式

更多Matlab优化求解仿真内容点击👇
①Matlab优化求解（进阶版）

⛳️关注优快云 Matlab武动乾坤，更多资源等你来！！

⛄一、生物地理算法简介

1 基本思路
BBO 算法起源于生物地理学，它通过模拟多物种在不同栖息地的分布、迁移、突变等规律求解寻优问题，在多目标规划领域有广泛应用. 栖息地被认为是独立的区域，不同的栖息地拥有不同的适宜指数HSI（Habitat suitability index）。 HSI较高的栖息地物种丰富度较高，随着种群趋于饱和，其迁出率增高，迁入率减少，而HIS较低的栖息地与之相反，迁入率增高，迁出率减少. 当栖息地遭遇灾害或瘟疫等突发事件时，HIS将随之突变，打破动态平衡，为低HIS的栖息地添加了不可预见性，增大了搜索目标解的几率2.2 迁移和突变操作物种的迁移有其具体的物理模型，最常的有线性模型、二次模型、余弦模型等 . 以图 3线性模型为例，当某栖息地物种数目为 0 时迁入率最高，此刻 λ = I,随着迁入物种数目不断增加，受阳光、水、食物等资源限制，迁入率不断降低，迁出率不断增高 . 当栖息地物种数目为 S0时，恰好达到动态平衡，此时迁出率与迁入率相同 . 而栖息地达到饱和状态时，物种数量达到最大值Smax ,此刻不再有物种迁入，迁出率 μ = E.突变操作基于生物地理学统计公式完成：


式中：ms为栖息地发生突变的概率，mmax为最大突变率，用户可自行设定 . ps为栖息地容纳s种物种的概率， pmax代表容纳最大种群的概率。

⛄二、部分源代码

% Biogeography-Based Optimization (BBO) trainer for MLP %
% source codes version 1 %
% %

clc
clear all

% For modifying initial parameters please have a look at init.m file

display(‘…’)
display(‘BBO is training MLP …’)
display(‘…’)
[cg_curve1,Hamming,best] = BBO(@MLP_Iris, 1, 1, 300); % BBO trainer
Best_W_B(1,:)=best;

display(‘…’)
display(‘PSO is training MLP …’)
display(‘…’)
[cg_curve2,best]= PSO(@MLP_Iris, 1); % PSO trainer
Best_W_B(2,:)=best;

display(‘…’)
display(‘GA is training MLP …’)
display(‘…’)
[cg_curve3,best]= GA(@MLP_Iris, 1); % GA trainer
Best_W_B(3,:)=best;

display(‘…’)
display(‘ACO is training MLP …’)
display(‘…’)
[cg_curve4,best]= ACO(@MLP_Iris, 1); % ACO trainer
Best_W_B(4,:)=best;

display(‘…’)
display(‘ES is training MLP …’)
display(‘…’)
[cg_curve5,best]= ES(@MLP_Iris, 1); % ES trainer
Best_W_B(5,:)=best;

display(‘…’)
display(‘PBIL is training MLP …’)
display(‘…’)
[cg_curve6,best]=PBIL(@MLP_Iris, 1); % PBIL trainer
Best_W_B(6,:)=best;

% Calculating classification rates

load iris.txt
x=sortrows(iris,2);

H2=x(1:150,1);
H3=x(1:150,2);
H4=x(1:150,3);
H5=x(1:150,4);
T=x(1:150,5);

H2=H2’;
[xf,PS] = mapminmax(H2); % Normalzation of input
I2(:,1)=xf;

H3=H3’;
[xf,PS2] = mapminmax(H3); % Normalzation of input
I2(:,2)=xf;

H4=H4’;
[xf,PS3] = mapminmax(H4); % Normalzation of input
I2(:,3)=xf;

H5=H5’;
[xf,PS4] = mapminmax(H5); % Normalzation of input
I2(:,4)=xf;
Thelp=T;
T=T’;
[yf,PS5]= mapminmax(T); % Normalzation of output
T=yf;
T=T’;

for i=1:6
    Rrate=0;
    W=Best_W_B(i,1:63);
    B=Best_W_B(i,64:75);
    for pp=1:150
        actualvalue=my_MLP(4,9,3,W,B,I2(pp,1),I2(pp,2), I2(pp,3),I2(pp,4));
        if(T(pp)==-1)
            if (actualvalue(1)>=0.95 && actualvalue(2)<0.05 && actualvalue(3)<0.05)
                Rrate=Rrate+1;
            end
        end
        if(T(pp)==0)
            if (actualvalue(1)<0.05 && actualvalue(2)>=0.95 && actualvalue(3)<0.05)
                Rrate=Rrate+1;
            end  
        end
        if(T(pp)==1)
            if (actualvalue(1)<0.05 && actualvalue(2)<0.05 && actualvalue(3)>=0.95)
                Rrate=Rrate+1;
            end              
        end
    end
    
    Final_Classification_Rates(1,i)=(Rrate/150)*100;
    
end

display(‘--------------------------------------------------------------------------------------------’)
display(‘Classification rate’)
display(’ BBO PSO GA ACO ES PBIL’)
display(Final_Classification_Rates(1:6))
display(‘--------------------------------------------------------------------------------------------’)

figure(‘Position’,[500 500 660 290])
%Draw convergence curves
subplot(1,2,1);
hold on
title(‘Convergence Curves’)
semilogy(cg_curve1,‘Color’,‘r’)
semilogy(cg_curve2,‘Color’,‘k’)
semilogy(cg_curve3,‘Color’,‘b’)
semilogy(cg_curve4,‘Color’,‘r’)
semilogy(cg_curve5,‘Color’,‘g’)
semilogy(cg_curve6,‘Color’,‘c’)
xlabel(‘Generation’);
ylabel(‘MSE’);

axis tight
grid on
box on
legend(‘BBO’,‘PSO’, ‘GA’, ‘ACO’, ‘ES’, ‘PBIL’)

%Draw classification rates
subplot(1,2,2);
hold on
title(‘Classification Accuracies’)
bar(Final_Classification_Rates)
xlabel(‘Algorithm’);
ylabel(‘Classification rate (%)’);

grid on
box on
set(gca,‘XTickLabel’,{‘BBO’,‘PSO’, ‘GA’, ‘ACO’, ‘ES’, ‘PBIL’});

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1] 包子阳,余继周,杨杉.智能优化算法及其MATLAB实例（第2版）[M].电子工业出版社，2016.
[2]张岩,吴水根.MATLAB优化算法源代码[M].清华大学出版社，2017.

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合