蚁群算法优化BP神经网络回归预测的算法设计-附代码

CJ-leaf

已于 2023-04-26 10:14:02 修改

阅读量1.4w

点赞数 10

分类专栏：预测模型及优化文章标签：算法神经网络回归

于 2021-12-22 09:54:28 首次发布

本文链接：https://blog.youkuaiyun.com/qq_57971471/article/details/121767256

版权

预测模型及优化专栏收录该内容

18 篇文章

订阅专栏

蚁群算法ACO优化BP神经网络回归预测的算法设计及其MATLAB代码实现

文章目录

蚁群算法ACO优化BP神经网络回归预测的算法设计及其MATLAB代码实现
1. 蚁群算法简介
2. 蚁群算法优化BP神经网络回归预测模型的设计步骤
3. ACO-BP回归预测模型的参数设置
4. 运行结果
5. MATLAB代码与数据地址

1. 蚁群算法简介

蚁群算法（Ant Clony Optimization， ACO）是一种仿生智能优化算法，最早由意大利学者Dorigo、Maniezzo等于1991年提出，常用于求解旅行商TSP，路径规划等问题。蚁群算法的灵感来源于蚂蚁觅食的过程，蚂蚁在寻找食物源的路径上会留下信息素，而群体内的蚂蚁可以感知信息素，并沿着信息素浓度高的地方移动，形成正反馈机制。经过一段时间之后，蚂蚁就可以确定一条到达食物源的最优路径。

2. 蚁群算法优化BP神经网络回归预测模型的设计步骤

2.1 基本思路 用蚁群算法ACO优化BP神经网络的基本思路是：首先取出权值矩阵和阈值向量的元素，构成蚂蚁种群的路径坐标。因为蚂蚁到达食物源的路径越短，则路径上的信息素含量越高，所以将均方误差作为蚂蚁的适应度值。最终蚂蚁种群确定的最短路径作为最优的初始权值和阈值参数，再赋给BP神经网络，进行训练和测试，并与优化前的BP神经网络预测进行误差对比。

2.2 蚁群算法优化BP神经网络预测的步骤：

步骤一：读取数据，初始化BP神经网络的结构与ACO算法的参数。
步骤二：计算解空间的维度，初始化蚂蚁位置与最高信息素。
蚁群算法开始迭代（K=1，Start loop）。
步骤三：根据蚂蚁的位置，计算信息素含量。
步骤四：计算最高信息素，更新最优的个体位置。
步骤五：按概率转移和更新蚂蚁位置。
步骤六：执行步骤三——五的循环体，达到终止代数（K=max_iteration，End loop）。
步骤七：取出优化后的最佳蚂蚁位置坐标，赋给BP神经网络，得到最优的初始权值矩阵和阈值向量。
步骤八：优化后的BP神经网络进行训练与测试，比较优化前后的BP神经网络预测精度。

2.3 蚁群算法优化BP神经网络回归预测的流程图设计

在这里插入图片描述

3. ACO-BP回归预测模型的参数设置

3.1 数据说明
采用建筑物能源数据集，含有8个特征指标（影响因素），单输出预测指标。

3.2 数据格式

样本编号	features1	features2	features3	…	featuresn	target
1	–	–	–	–	–	–
2	–	–	–	–	–	–
…	–	–	–	–	–	–
n	–	–	–	–	–	–

3.3 优化变量的选取与适应度函数设计
优化BP神经网络的权值和阈值参数，将训练集与测试集整体的均方误差作为适应度函数。

在这里插入图片描述
式中，TraingingSet，TestingSet，分别为训练集和测试集的样本。

3.4 算法的参数设置

a)BP神经网络的参数设置

net=newff(inputn,outputn,hiddennum_best,{'tansig','purelin'},'trainlm','learngdm');% 建立模型

%网络参数配置
net.trainParam.epochs=1000;         % 训练次数
net.trainParam.lr=0.01;                   % 学习速率
net.trainParam.goal=0.00001;                    % 训练目标最小误差
net.trainParam.show=25;                % 显示频率
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

b) 蚁群算法算法的参数设置

%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