Matlab粒子群算法神经网络泰坦尼克号

介绍
实验步骤
- 初始化参数
- 初始化种群
- 计算适应度函数
- 速度、位置更新
- 极值更新
实验结果
总代码

介绍

这里用粒子群算法优化神经网络的参数，使其得到更好的训练效果。
粒子群算法是个很简单的算法，写这篇文章当做复习复习过去学过的内容了。
粒子群算法流程图：

其中重要的是位置更新和速度更新公式

在这里那些参数都简单地取固定值

实验步骤

初始化参数

%% 参数初始化
%粒子群算法中的两个参数
c1 = 2;
c2 = 2;w=0.5; %权重maxgen=200;   % 进化次数
sizepop=20;   %种群规模Vmax=0.5;
Vmin=-0.5;
popmax=4;
popmin=-4;

初始化种群

二进制编码，通过自变量的范围与精度来确定染色体编码长度。

%% 产生初始粒子和速度
for i=1:sizepop%随机产生一个种群pop(i,:)=4*rands(1,N)-2;    %初始种群V(i,:)=0.5*rands(1,N);  %初始化速度%计算适应度%fitness(i)=fun1(pop(i,:));   %染色体的适应度[err,fitness(i)]=Bpfun(pop(i,:),x1',y1',hiddennum1,hiddennum2,x2',y2');
end

计算适应度函数

神经网络的测试集准确率作为适应度函数，用matlab自带的神经网络函数搭建BP神经网络。

function [err,ac]=Bpfun(x,P,T,hiddennum1,hiddennum2,P_test,T_test)
%% 训练&测试BP网络
%% 输入
% x：一个个体的初始权值和阈值
% P：训练样本输入
% T：训练样本输出
% hiddennum：隐含层神经元数
% P_test:测试样本输入
% T_test:测试样本期望输出
%% 输出
% err：预测样本的预测误差的范数inputnum=size(P,1);       % 输入层神经元个数
outputnum=size(T,1);      % 输出层神经元个数
%% 新建BP网络
net=newff(minmax(P),[hiddennum1,hiddennum2,outputnum],{'tansig','satlins','logsig'},'trainlm');
%% 设置网络参数：训练次数为1000，训练目标为0.01，学习速率为0.1
net.trainParam.epochs=10;
net.trainParam.goal=0.01;
LP.lr=0.1;
net.trainParam.show=NaN;
%net.trainParam.showwindow=false;  %高版MATLAB
%% BP神经网络初始权值和阈值
w1num=inputnum*hiddennum1; % 输入层到隐层1的权值个数
w2num=hiddennum1*hiddennum2;% 隐层1到隐层2的权值个数
w3num=outputnum*hiddennum2;% 隐层2到输出层的权值个数
w1=x(1:w1num);   %初始输入层到隐层的权值
B1=x(w1num+1:w1num+hiddennum1);  %初始隐层阈值
w2=x(w1num+hiddennum1+1:w1num+hiddennum1+w2num); %初始隐层到输出层的阈值
B2=x(w1num+hiddennum1+w2num+1:w1num+hiddennum1+w2num+hiddennum2); %输出层阈值
w3=x(w1num+hiddennum1+w2num+hiddennum2+1:w1num+hiddennum1+w2num+hiddennum2+w3num); %初始隐层到输出层的阈值
B3=x(w1num+hiddennum1+w2num+hiddennum2+w3num+1:w1num+hiddennum1+w2num+hiddennum2+w3num+outputnum); %输出层阈值
net.iw{1,1}=reshape(w1,hiddennum1,inputnum);
net.lw{2,1}=reshape(w2,hiddennum2,hiddennum1);
net.lw{3,2}=reshape(w3,outputnum,hiddennum2);
net.b{1}=reshape(B1,hiddennum1,1);
net.b{2}=reshape(B2,hiddennum2,1);
net.b{3}=reshape(B3,outputnum,1);
%% 训练网络以
net=train(net,P,T);
%% 测试网络
Y=sim(net,P_test);
err=norm(Y-T_test);
for i=1:length(Y)if Y(i)<0.5Y(i)=0;elseY(i)=1;end
end
ac=1-sum(abs(Y-T_test))/length(Y);

速度、位置更新

超范围的设为边界值

for j=1:sizepop%速度更新V(j,:) = w*V(j,:) + c1*rand*(gbest(j,:) - pop(j,:)) + c2*rand*(zbest - pop(j,:));V(j,find(V(j,:)>Vmax))=Vmax;V(j,find(V(j,:)<Vmin))=Vmin;%种群更新pop(j,:)=pop(j,:)+V(j,:);pop(j,find(pop(j,:)>popmax))=popmax;pop(j,find(pop(j,:)<popmin))=popmin;%适应度值%fitness(j)=fun1(pop(j,:)); [err,fitness(j)]=Bpfun(pop(j,:),x1',y1',hiddennum1,hiddennum2,x2',y2');end

极值更新

    for j=1:sizepop%个体最优更新if fitness(j) > fitnessgbest(j)gbest(j,:) = pop(j,:);fitnessgbest(j) = fitness(j);end%群体最优更新if fitness(j) > fitnesszbestzbest = pop(j,:);fitnesszbest = fitness(j);endend yy(i)=fitnesszbest;

实验结果

寻优曲线：

最优初始权值和阈值:
zbest =

1 至 12 列

-1.3909 0.4211 -4.0000 -4.0000 -3.0747 0.7278 0.2609 0.5257 0.3035 -4.0000 -1.7539 1.4606

13 至 24 列

-0.6466 -1.1569 -4.0000 -4.0000 -0.0353 -2.2010 -1.4103 -0.5082 -3.3560 -4.0000 -3.2423 1.0365

25 至 36 列

0.8485    0.8189   -3.7687   -4.0000   -1.9942   -4.0000   -4.0000    1.1625    0.9775   -4.0000   -3.5533    0.8062

37 至 48 列

-4.0000 1.4416 -3.1999 1.1774 -3.1303 -4.0000 -0.2201 -4.0000 0.0039 0.2402 -3.6992 -4.0000

49 至 60 列

-2.4385 0.2102 -2.2919 -1.8557 -1.4834 0.1662 -4.0000 -4.0000 -2.2281 -1.2947 -4.0000 -2.7338

61 至 72 列

0.9059   -4.0000   -0.9322   -4.0000   -3.4940   -3.3672   -2.7645   -4.0000   -1.7928    0.2071   -4.0000    1.4712

73 至 84 列

1.2638    0.6005   -2.6439   -3.7701   -2.3721   -4.0000   -2.9139   -0.8094   -2.6147    0.1717   -2.6738   -3.1668

85 至 96 列

1.6297   -3.1846   -3.1394   -3.7566    0.6721   -4.0000   -1.9135   -3.8827    0.3824   -4.0000   -4.0000   -3.5148

97 至 108 列

-4.0000 0.3533 -0.0105 -1.6206 -3.1942 -4.0000 -4.0000 -3.4977 -2.2151 -2.0006 -3.3219 -0.0998

109 至 120 列

-1.8840 -3.9514 0.8863 0.5666 1.2084 -3.8815 -2.5561 -2.1463 0.8396 -4.0000 -4.0000 -3.5560

121 至 132 列

-4.0000 -2.7513 -2.5226 1.2854 -2.9356 -2.7046 0.0803 -2.6269 0.8959 -0.1088 -4.0000 1.3314

133 至 144 列

-4.0000 -2.9946 -4.0000 1.1231 -3.0665 -2.0246 1.4080 -4.0000 -4.0000 -1.3666 -4.0000 0.3398

145 至 156 列

0.2099   -0.5329   -4.0000   -4.0000    1.4131   -1.9708   -0.5725   -3.7010   -4.0000    0.1608   -0.8834   -3.1611

157 至 168 列

1.5639   -3.9535   -2.2949   -4.0000   -2.6633    0.7295   -3.8275   -0.1578   -2.3034   -0.4336   -1.9277   -2.4596

169 至 180 列

-0.1329 1.2473 -4.0000 1.2027 -2.3681 -1.5221 -4.0000 0.6484 -4.0000 -1.8994 1.2410 0.7832

181 至 192 列

-3.5839 0.4650 0.9777 -3.6067 -2.1450 -1.2591 -0.3171 -4.0000 1.2079 -4.0000 -2.2733 -4.0000

193 至 204 列

-0.0869 -3.5696 -3.6571 -3.0560 -4.0000 -4.0000 -3.9686 -1.4987 0.8207 0.8795 -2.7175 -2.2507

205 至 206 列

-1.7657 1.1905

fitnesszbest =

0.8350

总代码

%% 清空环境
clc
clear
%%
%样本数据就是前面问题描述中列出的数据
[x,y]=date_inscet();
randIndex=randperm(size(x,1));%打乱顺序
x=x(randIndex,:);y=y(randIndex,:);
x1=x(1:1000,:);y1=y(1:1000,:);x2=x(1001:end,:);y2=y(1001:end,:);
% 初始隐层神经元个数
hiddennum1=15;hiddennum2=5;
% 输入向量的最大值和最小值
inputnum=size(x,2);       % 输入层神经元个数
outputnum=size(y,2);      % 输出层神经元个数
w1num=inputnum*hiddennum1; % 输入层到隐层1的权值个数
w2num=hiddennum2*hiddennum1;% 隐层1到隐层2的权值个数
w3num=outputnum*hiddennum2;% 隐层2到输出层的权值个数
N=w1num+hiddennum1+w2num+hiddennum2+w3num+outputnum; %待优化的变量的个数
%% 参数初始化
%粒子群算法中的两个参数
c1 = 2;
c2 = 2;w=0.5; %权重maxgen=200;   % 进化次数
sizepop=20;   %种群规模Vmax=0.5;
Vmin=-0.5;
popmax=4;
popmin=-4;%% 产生初始粒子和速度
for i=1:sizepop%随机产生一个种群pop(i,:)=4*rands(1,N)-2;    %初始种群V(i,:)=0.5*rands(1,N);  %初始化速度%计算适应度%fitness(i)=fun1(pop(i,:));   %染色体的适应度[err,fitness(i)]=Bpfun(pop(i,:),x1',y1',hiddennum1,hiddennum2,x2',y2');
end%% 个体极值和群体极值
[bestfitness bestindex]=max(fitness);
zbest=pop(bestindex,:);   %全局最佳
gbest=pop;    %个体最佳
fitnessgbest=fitness;   %个体最佳适应度值
fitnesszbest=bestfitness;   %全局最佳适应度值%% 迭代寻优
for i=1:maxgenfor j=1:sizepop%速度更新V(j,:) = w*V(j,:) + c1*rand*(gbest(j,:) - pop(j,:)) + c2*rand*(zbest - pop(j,:));V(j,find(V(j,:)>Vmax))=Vmax;V(j,find(V(j,:)<Vmin))=Vmin;%种群更新pop(j,:)=pop(j,:)+V(j,:);pop(j,find(pop(j,:)>popmax))=popmax;pop(j,find(pop(j,:)<popmin))=popmin;%适应度值%fitness(j)=fun1(pop(j,:)); [err,fitness(j)]=Bpfun(pop(j,:),x1',y1',hiddennum1,hiddennum2,x2',y2');endfor j=1:sizepop%个体最优更新if fitness(j) > fitnessgbest(j)gbest(j,:) = pop(j,:);fitnessgbest(j) = fitness(j);end%群体最优更新if fitness(j) > fitnesszbestzbest = pop(j,:);fitnesszbest = fitness(j);endend yy(i)=fitnesszbest;    end
%% 结果分析
hold on
plot(yy)
title('最优个体适应度','fontsize',12);
xlabel('进化代数','fontsize',12);ylabel('适应度','fontsize',12);
zbest
fitnesszbest

Matlab粒子群算法神经网络泰坦尼克号相关推荐

【ELM回归预测】基于matlab粒子群算法优化ELM回归预测【含Matlab源码 036期】
一.获取代码方式获取代码方式1: 完整代码已上传我的资源: [优化预测]基于matlab粒子群算法优化ELM神经网络预测[含Matlab源码 036期] 二.粒子群算法及ELM简介 1 粒子群算法简 ...
MATLAB粒子群算法求解带充电站(桩)的电动车辆路径规划EVRP问题代码实例
MATLAB粒子群算法求解带充电站(桩)的电动车辆路径规划EVRP问题代码实例问题实例描述: 现有一个配送中心需要向20个客户点进行送货.每个客户点有不同货物需求量和卸货服务时间.配送中心和客户点的 ...
【微电网优化】基于matlab粒子群算法求解综合能源系统优化问题【含Matlab源码 1969期】
一.获取代码方式获取代码方式1: 完整代码已上传我的资源:[微电网优化]基于matlab粒子群算法求解综合能源系统优化问题[含Matlab源码 1969期] 点击上面蓝色字体,直接付费下载,即可. ...
matlab粒子群算法求解无约束最小值,pso matlab粒子群算法和遗传是解决约束优化问题，无和多目标的优 259万源代码下载- www.pudn.com...
文件名称: pso下载收藏√ [ 5 4 3 2 1 ] 开发工具: matlab 文件大小: 51 KB 上传时间: 2016-06-01 下载次数: 0 提供者: 孙志勇详细说 ...
【微电网优化】基于matlab粒子群算法求解微网经济调度和环境友好调度优化问题【含Matlab源码 2283期】
⛄一.获取代码方式获取代码方式1: 完整代码已上传我的资源:[微电网优化]基于matlab粒子群算法求解微网经济调度和环境友好调度优化问题[含Matlab源码 2283期] 点击上面蓝色字体,直接付 ...
MATLAB粒子群算法求解超市物流配送选址问题实例
粒子群算法编程问题实例: MATLAB粒子群算法求解超市物流配送选址问题实例粒子群算法编程问题实例: 在范围为(0,0)到(100,100)的矩形区域内,散布着40个连锁超市,各个连锁超市的坐标及需 ...
【数字信号去噪】基于matlab粒子群算法优化VMD分解分量选择数字信号降噪【含Matlab源码 1979期】
⛄一.获取代码方式获取代码方式1: 完整代码已上传我的资源:[数字信号去噪]基于matlab粒子群算法优化VMD分解分量选择数字信号降噪[含Matlab源码 1979期] 点击上面蓝色字体,直接付费 ...
【PID优化】基于matlab粒子群算法优化BP神经网络PID控制【含Matlab源码 2022期】
⛄一.粒子群算法优化BP神经网络PID控制简介 BP神经网络PID控制算法传统PID控制器作为一种线性控制器,具备结构,容易实现的优点,其基本原理是将系统的实际输出值和期望输出值之间的偏差按照比例. ...
【TWVRP】基于matlab粒子群算法求解带时间窗的车辆路径规划问题（总成本最低）【含Matlab源码 2590期】
⛄一.VRP简介 1 VRP基本原理车辆路径规划问题(Vehicle Routing Problem,VRP)是运筹学里重要的研究问题之一.VRP关注有一个供货商与K个销售点的路径规划的情况,可以简 ...

Matlab粒子群算法神经网络泰坦尼克号

Matlab粒子群算法神经网络泰坦尼克号

介绍

实验步骤

初始化参数

初始化种群

计算适应度函数

速度、位置更新

极值更新

实验结果

总代码

Matlab粒子群算法神经网络泰坦尼克号相关推荐

最新文章

热门文章