【BP预测】基于Tent混沌映射原子搜索算法优化BP神经网络实现数据回归预测附matlab代码

【BP预测】基于Tent混沌映射原子搜索算法优化BP神经网络实现数据回归预测附matlab代码

1 简介

BP神经网络算法使用非常广泛,传统的BP神经网络算法虽然具有不错的拟合非线性函数的能力,但是容易陷入局部的极小值,并且传统的算法收敛的速度慢.本篇文章详细地论述了如何使用ent混沌映射原子搜索算法算法优化传统的BP神经网络算法中初始的权值和阀值,通过相应的验证和比较提出了该模型的有效性.

作为物理-元启发式算法中的一种，ASO 最早在 2018 年由赵卫国提出并将其应用于地下水分散系数估计。ASO 的灵感来自于基本的分子动力学,自然界中所有的物质都是由原子组成,原子具备质量和体积,在一个原子系统中,所有原子都是相互作用并且处于恒定的运动状态，其微观相互作用十分复杂。随着科学技术的发展，近些年来分子动力学发展迅速，已经可以使用计算机模拟原子和分子的物理运动规律。

正在上传…重新上传取消

正在上传…重新上传取消

2 部分代码

%--------------------------------------------------------------------------% GSA code v1.0.% Developed in MATLAB R2011b% The code is based on the following papers.% W. Zhao, L. Wang and Z. Zhang, Atom search optimization and its % application to solve a hydrogeologic parameter estimation problem, % Knowledge-Based Systems (2018), W. Zhao, L. Wang and Z. Zhang, A novel atom search optimization for % dispersion coefficient estimation in groundwater, Future Generation % Computer Systems (2018), Atom Search Optimization.function [X_Best,Fit_XBest,Functon_Best]=ASO(alpha,beta,Fun_Index,Atom_Num,Max_Iteration)% Dim: Dimension of search space.% Atom_Pop: Population (position) of atoms.% Atom_V: Velocity of atoms.% Acc: Acceleration of atoms.% M: Mass of atoms. % Atom_Num: Number of atom population.% Fitness: Fitness of atoms.% Max_Iteration: Maximum of iterations.% X_Best: Best solution (position) found so far. % Fit_XBest: Best result corresponding to X_Best. % Functon_Best: The fitness over iterations. % Low: The low bound of search space.% Up: The up bound of search space.% alpha: Depth weight.% beta: Multiplier weightalpha=50;beta=0.2; Iteration=1; [Low,Up,Dim]=Test_Functions_Range(Fun_Index); % Randomly initialize positions and velocities of atoms. if size(Up,2)==1 Atom_Pop=rand(Atom_Num,Dim).*(Up-Low)+Low; Atom_V=rand(Atom_Num,Dim).*(Up-Low)+Low; end if size(Up,2)>1 for i=1:Dim Atom_Pop(:,i)=rand(Atom_Num,1).*(Up(i)-Low(i))+Low(i); Atom_V(:,i)=rand(Atom_Num,1).*(Up(i)-Low(i))+Low(i); end end % Compute function fitness of atoms. for i=1:Atom_Num Fitness(i)=Test_Functions(Atom_Pop(i,:),Fun_Index,Dim); end Functon_Best=zeros(Max_Iteration,1); [Max_Fitness,Index]=min(Fitness); Functon_Best(1)=Fitness(Index); X_Best=Atom_Pop(Index,:); % Calculate acceleration. Atom_Acc=Acceleration(Atom_Pop,Fitness,Iteration,Max_Iteration,Dim,Atom_Num,X_Best,alpha,beta); % Iteration for Iteration=2:Max_Iteration Functon_Best(Iteration)=Functon_Best(Iteration-1); Atom_V=rand(Atom_Num,Dim).*Atom_V+Atom_Acc; Atom_Pop=Atom_Pop+Atom_V; for i=1:Atom_Num % Relocate atom out of range. TU= Atom_Pop(i,:)>Up; TL= Atom_Pop(i,:)

3 仿真结果

4 参考文献

[1]马俊涛. 基于MATLAB的BP神经网络模型的预测算法研究[C]// 军事信息软件与仿真学术研讨会. 中国电子学会, 2006.

博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，相关matlab代码问题可私信交流。

部分理论引用网络文献，若有侵权联系博主删除。

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。