【预测模型】基于Logistic改进的麻雀搜索算法优化BP神经网络实现数据预测matlab代码

【预测模型】基于Logistic改进的麻雀搜索算法优化BP神经网络实现数据预测matlab代码

1 简介

针对麻雀搜索算法(SSA)在迭代后期种群多样性减少,易陷入局部最优等难题,提出了一种基于Logistic混沌映射的改进麻雀算法(LCSSA).利用Logistic混沌映射初始化种群,提高了初始解的质量,增加了种群多样性,利用线性递减权重法,降低了群体智能算法容易早熟的风险,避免算法后期容易在全局最优解附近发生振荡现象.依据8个基准函数对改进后算法与改进前算法进行性能对比测试.测试结果表明,LCSSA相较于SSA具有更快的迭代收敛速度,更高寻优精度且兼顾更好的稳定性.

2 部分代码

%% 基于logistic映射的种群初始化子函数function Positions=logisticInitialization(popsize,dim,ub,lb)%input：popsize 种群数量% dim 变量维度% ub 变量上限% lb 变量下限%return：Positions 生成的初始种群位置%初始化位置0数组Positions=zeros(popsize,dim);%对每个个体，混沌映射产生位置for i = 1:popsize value = Logistic(dim); %混沌映射序列 Positions(i,:)=value.*(ub-lb)+lb; %位置越界限制 Positions(i,:)=min(Positions(i,:),ub); %上界调整 Positions(i,:)=max(Positions(i,:),lb); %下界调整endend%混沌映射子函数function sequence=Logistic(n)%input：n 混沌序列长度%return：value 生成的混沌序列%初始化数组sequence=zeros(1,n);sequence(1)=rand; %序列起点%x0不为(0,0.25,0.5,0.75,1)while max(sequence(1)==[0 0.25 0.5 0.75 1])==1 sequence(1)=rand;endmu =3.8 ;%参数mu范围(0,4)for i=1:n-1 sequence(i+1)=mu*sequence(i)*(1-sequence(i));endend

3 仿真结果

4 参考文献

[1]吴丁杰, 周庆兴, 温立书. 基于Logistic混沌映射的改进麻雀算法[J]. 高师理科学刊, 2021, 41(6):6.

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。