【优化求解】粒子群优化和重力搜索算法求解MLP问题matlab源码
一、重力引力搜索算法
1.1粒子群算法
粒子群算法( Particle Swarm Optimization, PSO)最早是由Eberhart和Kennedy于1995年提出,它的基本概念源于对鸟群觅食行为的研究。设想这样一个场景:一群鸟在随机搜寻食物,在这个区域里只有一块食物,所有的鸟都不知道食物在哪里,但是它们知道当前的位置离食物还有多远。最简单有效的策略?寻找鸟群中离食物最近的个体来进行搜素。PSO算法就从这种生物种群行为特性中得到启发并用于求解优化问题。
用一种粒子来模拟上述的鸟类个体,每个粒子可视为N维搜索空间中的一个搜索个体,粒子的当前位置即为对应优化问题的一个候选解,粒子的飞行过程即为该个体的搜索过程.粒子的飞行速度可根据粒子历史最优位置和种群历史最优位置进行动态调整.粒子仅具有两个属性:速度和位置,速度代表移动的快慢,位置代表移动的方向。每个粒子单独搜寻的最优解叫做个体极值,粒子群中最优的个体极值作为当前全局最优解。不断迭代,更新速度和位置。最终得到满足终止条件的最优解。
算法流程如下:
1、初始化
首先,我们设置最大迭代次数,目标函数的自变量个数,粒子的最大速度,位置信息为整个搜索空间,我们在速度区间和搜索空间上随机初始化速度和位置,设置粒子群规模为M,每个粒子随机初始化一个飞翔速度。
2、 个体极值与全局最优解
定义适应度函数,个体极值为每个粒子找到的最优解,从这些最优解找到一个全局值,叫做本次全局最优解。与历史全局最优比较,进行更新。
3、 更新速度和位置的公式
4、 终止条件
(1)达到设定迭代次数;(2)代数之间的差值满足最小界限
以上就是最基本的一个标准PSO算法流程。和其它群智能算法一样,PSO算法在优化过程中,种群的多样性和算法的收敛速度之间始终存在着矛盾.对标准PSO算法的改进,无论是参数的选取、小生境技术的采用或是其他技术与PSO的融合,其目的都是希望在加强算法局部搜索能力的同时,保持种群的多样性,防止算法在快速收敛的同时出现早熟收敛。
1.2重力搜索算法
引力搜索算法(Gravitational Search Algorithm,GSA)是Esmat Rashedi等人在2009年提出的一种随机性启发式搜索算法,这种算法的灵感来自于牛顿的万有引力定律与运动定律:1.任意两个质点有通过连心线方向上的力相互吸引,该引力大小与它们质量的乘积成正比与它们距离的平方成反比。2.力使物体获得加速度。
在GSA中,质点被抽象成解空间的一个解,解之间存在一个相互吸引力,这个吸引力由解的质量与两个解之间的距离确定,质点的质量被抽象成解的评估函数值。在解空间中,每个解由其他解对其的吸引力获得加速度,质量更大(评估函数值更优)所提供的加速度更大,从而使解向更优解的方向移动。
看到这里,有些小伙伴会以为GSA是个与PSO差不多的算法,是的,GSA与PSO的外层框架是一致的,但是,它们最关键的粒子移动策略却是不同的:
1.在PSO中,粒子的移动只使用两个最佳位置pbest和gbest。但是在GSA中,智能体的方向是根据所有其他智能体或部分较优的智能体获得的总力来计算的。
2.PSO使用一种内存来更新速度(由于pbest和gbest)。然而,GSA是无内存的,只有智能体的当前位置在更新过程中起作用。
3.在PSO中,更新不考虑解之间的距离,而在GSA中,力与解之间的距离成反比。
4.PSO模拟了鸟类的社会行为,而GSA的灵感来自于物理现象。
GSA的主要过程如下:
1. 确定搜索空间。
2. 随机初始化个体种群。
3. 对种群进行适应度评价。
4. 更新引力常量G,更新种群中最好的个体 best与最差的个体worst,更新个体的质量。
5. 计算每个个体在不同方向上的总引力。
6. 计算个体的加速度,基于此更新个体的速度。
7. 根据速度更新个体在解空间中的位置。
8. 重复步骤3-7直到达到停止标准。
算法流程:
二、部分代码
%%%%% Multi-layer Perceptron (MLP) Training using CPSOGSA %%%%%
%
% Citation
% Rather, S.A. and Bala, P.S. (2020), "A hybrid constriction coefficient-based particle swarm optimization and gravitational search algorithm for training multi-layer perceptron",
% International Journal of Intelligent Computing and Cybernetics, Vol. 13 No. 2, pp. 129-165. https://doi.org/10.1108/IJICC-09-2019-0105
%
% Developed in MATLAB R2013b %%clear all
close all
clcQ=1; % ACO Parameter
tau0=10; % Initial Phromone (ACO)
alpha=0.3; % Phromone Exponential Weight (ACO)
rho=0.1; % Evaporation Rate (ACO)
beta_min=0.2; % Lower Bound of Scaling Factor (DE)
beta_max=0.8; % Upper Bound of Scaling Factor (DE)
pCR=0.2; % Crossover Probability (DE)
Runno=10;SearchAgents_no=20; % Number of search agents% classification datasetsFunction_name='F1'; %MLP_XOR dataset
% Function_name='F2'; %MLP_Baloon dataset
% Function_name='F3'; %MLP_Iris dataset
% Function_name='F4'; %MLP_Cancer dataset
% Function_name='F5'; %MLP_Heart dataset% Function approximation datasets% Function_name='F6'; %MLP_Sigmoid dataset
% Function_name='F7'; %MLP_Cosine dataset
% Function_name='F8'; %MLP_Sine dataset
% Function_name='F9'; %MLP_Sphere dataset% Load details of the selected data set
[lb,ub,dim,fobj]=Get_Functions_details(Function_name);ElitistCheck=1;
min_flag=1;
Rpower=1;
Max_iteration=500; % Maximum numbef of iterations%
if Function_name=='F1'
input= [0 0 0 0 1 1 1 1;0 0 1 1 0 0 1 1;0 1 0 1 0 1 0 1];
target3=[0 1 1 0 1 0 0 1];Hno=7;
dim = 5*7+1; % Dimension of the problemfor i=1:1:RunnoRrate=0;[Fbest,Lbest,BestChart]=GSA(SearchAgents_no,Max_iteration,ElitistCheck,min_flag,Rpower,lb,ub,dim,fobj);BestSolutions1(i) = Fbest;[gBestScore,gBest,GlobalBestCost]= CPSOGSA(SearchAgents_no,Max_iteration,lb,ub,dim,fobj);BestSolutions4(i) = gBestScore;[BestSolACO,BestAnt,BestCostACO] = ACO(SearchAgents_no, Max_iteration,Q,tau0,alpha,rho,lb,ub,dim,fobj);BestSolutions5(i) = BestSolACO.Cost;[BestCost,Best_Hab,BestSol] = bbo( SearchAgents_no, Max_iteration,lb,ub,dim,fobj);BestSolutions6(i) = BestSol.Cost;[BestSolDE,DBestSol,BestCostDE] = DE(SearchAgents_no, Max_iteration,beta_min,beta_max,pCR,lb,ub,dim,fobj);BestSolutions7(i) = BestSolDE.Cost ;W=Lbest(1:4*Hno);
B=Lbest(4*Hno+1:dim);
W=gBest(1:4*Hno);
B=gBest(4*Hno+1:dim);
W=BestAnt(1:4*Hno);
B=BestAnt(4*Hno+1:dim);
W=Best_Hab(1:4*Hno);
B=Best_Hab(4*Hno+1:dim);
W=DBestSol(1:4*Hno);
B=DBestSol(4*Hno+1:dim);for pp=1:8actualvalue=my_simulate(3,Hno,1,W,B,input(:,pp)');if(target3(pp)==1)if (actualvalue>=0.95)Rrate=Rrate+1;endendif(target3(pp)==0)if (actualvalue(1)<0.05)Rrate=Rrate+1;end endendClassification_rate(i)=(Rrate/8)*100;disp(['GSA is training FNN (Run # = ', num2str(i),' ,MSE = ', num2str(Fbest),' Mean_Classification rate = ' , num2str(Classification_rate(i)),')'])
% disp(['CPSOGSA is training FNN (Run # = ', num2str(i),' ,MSE = ', num2str(gBestScore),' Mean_Classification rate = ' , num2str(Classification_rate(i)),')'])
% disp(['ACO is training FNN (Run # = ', num2str(i),' ,MSE = ', num2str(BestSolACO.Cost),' Mean_Classification rate =' , num2str(Classification_rate(i)),')'])
% disp(['BBO is training FNN (Run # = ', num2str(i),' ,MSE = ', num2str(BestSol.Cost),' Mean_Classification rate = ' , num2str(Classification_rate(i)),')'])
% disp(['DE is training FNN (Run # = ', num2str(i),' ,MSE = ', num2str(BestSolDE.Cost),' Mean_Classification rate = ' , num2str(Classification_rate(i)),')']) endA_Classification_rate=mean(Classification_rate);Average= mean(BestSolutions1);StandDP=std(BestSolutions1);Med = median(BestSolutions1); [BestValueP I] = min(BestSolutions1);[WorstValueP IM]=max(BestSolutions1);end%
% if Function_name=='F2'
%
% load baloon.txt
% x=sortrows(baloon,2);
% %I2=x(1:150,1:4);
% I2(:,1)=x(1:20,1);
% I2(:,2)=x(1:20,2);
% I2(:,3)=x(1:20,3);
% I2(:,4)=x(1:20,4);
% T=x(1:20,5);
%
%
% Hno=9;
% dim = 6*9+1;
%
% for i=1:1:Runno
% [Fbest,Lbest,BestChart]=GSA(SearchAgents_no,Max_iteration,ElitistCheck,min_flag,Rpower,lb,ub,dim,fobj);
% BestSolutions1(i) = Fbest;
% [gBestScore,gBest,GlobalBestCost]= CPSOGSA(SearchAgents_no,Max_iteration,lb,ub,dim,fobj);
% BestSolutions4(i) = gBestScore;
% [BestSolACO,BestAnt,BestCostACO] = ACO(SearchAgents_no, Max_iteration,Q,tau0,alpha,rho,lb,ub,dim,fobj);
% BestSolutions5(i) = BestSolACO.Cost;
% [BestCost,Best_Hab,BestSol] = bbo( SearchAgents_no, Max_iteration,lb,ub,dim,fobj);
% BestSolutions6(i) = BestSol.Cost;
% [BestSolDE,DBestSol,BestCostDE] = DE(SearchAgents_no, Max_iteration,beta_min,beta_max,pCR,lb,ub,dim,fobj);
% BestSolutions7(i) = BestSolDE.Cost ;
% Rrate=0;%W=Lbest(1:45);
%B=Lbest(46:55);
%W=gBest(1:45);
%B=gBest(46:55);
%W=BestAnt(1:45);
% B=BestAnt(46:55);
% W=Best_Hab(1:45);
% B=Best_Hab(46:55);
% W=DBestSol(1:45);
% B=DBestSol(46:55);% for pp=1:20
% actualvalue=my_simulate(4,9,1,W,B,I2(pp,:));
% if(T(pp)==1)
% if (actualvalue>=0.95)
% Rrate=Rrate+1;
% end
% end
% if(T(pp)==0)
% if (actualvalue(1)<0.05)
% Rrate=Rrate+1;
% end
% end
%
% end
% end
% end
% % %
% if Function_name=='F3'
%
% load iris.txt;
% x=sortrows(iris,2);
% I2=x(1:150,1:4);
% 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);
% I=(I2-0.1)./(7.9-0.1);
% H2=H2';
% [xf,PS] = mapminmax(H2);
% I2(:,1)=xf;
%
% H3=H3';
% [xf,PS2] = mapminmax(H3);
% I2(:,2)=xf;
%
% H4=H4';
% [xf,PS3] = mapminmax(H4);
% I2(:,3)=xf;
%
% H5=H5';
% [xf,PS4] = mapminmax(H5);
% I2(:,4)=xf;
% Thelp=T;
% T=T';
% [yf,PS5]= mapminmax(T);
% T=yf;
% T=T';
%
% for i=1:1:Runno
% [Fbest,Lbest,BestChart]=GSA(SearchAgents_no,Max_iteration,ElitistCheck,min_flag,Rpower,lb,ub,dim,fobj);
% BestSolutions1(i) = Fbest;
% [gBestScore,gBest,GlobalBestCost]= CPSOGSA(SearchAgents_no,Max_iteration,lb,ub,dim,fobj);
% BestSolutions4(i) = gBestScore;
% [BestSolACO,BestAnt,BestCostACO] = ACO(SearchAgents_no, Max_iteration,Q,tau0,alpha,rho,lb,ub,dim,fobj);
% BestSolutions5(i) = BestSolACO.Cost;
% [BestCost,Best_Hab,BestSol] = bbo( SearchAgents_no, Max_iteration,lb,ub,dim,fobj);
% BestSolutions6(i) = BestSol.Cost;
% [BestSolDE,DBestSol,BestCostDE] = DE(SearchAgents_no, Max_iteration,beta_min,beta_max,pCR,lb,ub,dim,fobj);
% BestSolutions7(i) = BestSolDE.Cost ;% Rrate=0;
% W=Lbest(1:63);
% B=Lbest(64:75);
% W=gBest(1:63);
% B=gBest(64:75);
% W=BestAnt(1:63);
% B=BestAnt(64:75);
% W=Best_Hab(1:63);
% B=Best_Hab(64:75);
% W=DBestSol(1:63);
% B=DBestSol(64:75);% for pp=1:150
% actualvalue=my_simulate(4,9,3,W,B,I2(pp,:));
% 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
% end
% end
%
% if Function_name=='F4'
%
% load Cancer.txt
% x=Cancer;
% %I2=x(1:150,1:4);
% H2=x(1:699,2:11);
% for iii=1:699
% for jjj=1:10
% H2(iii,jjj)=((H2(iii,jjj)-1)/9);
% end
% end
% I2=H2(1:699,1:9);
%
% T=H2(1:699,10);
% Hno=19;
% dim=11*19;
%
% for i=1:1:Runno
% Rrate=0;
% [Fbest,Lbest,BestChart]=GSA(SearchAgents_no,Max_iteration,ElitistCheck,min_flag,Rpower,lb,ub,dim,fobj);
% BestSolutions1(i) = Fbest;
% [gBestScore,gBest,GlobalBestCost]= CPSOGSA(SearchAgents_no,Max_iteration,lb,ub,dim,fobj);
% BestSolutions4(i) = gBestScore;
% [BestSolACO,BestAnt,BestCostACO] = ACO(SearchAgents_no, Max_iteration,Q,tau0,alpha,rho,lb,ub,dim,fobj);
% BestSolutions5(i) = BestSolACO.Cost;
% [BestCost,Best_Hab,BestSol] = bbo( SearchAgents_no, Max_iteration,lb,ub,dim,fobj);
% BestSolutions6(i) = BestSol.Cost;
% [BestSolDE,DBestSol,BestCostDE] = DE(SearchAgents_no, Max_iteration,beta_min,beta_max,pCR,lb,ub,dim,fobj);
% BestSolutions7(i) = BestSolDE.Cost ;% W=Lbest(1:10*Hno);
% B=Lbest(10*Hno+1:dim);
% W=gBest(1:10*Hno);
% B=gBest(10*Hno+1:dim);
% W=BestAnt(1:10*Hno);
% B=BestAnt(10*Hno+1:dim);
% W=Best_Hab(1:10*Hno);
% B=Best_Hab(10*Hno+1:dim);
% W=DBestSol(1:10*Hno);
% B=DBestSol(10*Hno+1:dim);% for pp=600:699
% actualvalue=my_simulate(9,Hno,1,W,B,I2(pp,:) );
% if(T(pp)>=0.3 && T(pp)<0.4)
% if (abs(actualvalue-0.333333333333333)<0.1)
% Rrate=Rrate+1;
% end
% end
% if(T(pp)>=0.1 && T(pp)<0.2)
% if (abs(actualvalue-0.111111111111111)<0.1)
% Rrate=Rrate+1;
% end
% end
%
% end
% end
% end% if Function_name=='F5'
%
% load Heart.txt
% x=Heart;
% % I2=x(1:150,1:4);
% I2(:,1)=x(1:80,2);
% I2(:,2)=x(1:80,3);
% I2(:,3)=x(1:80,4);
% I2(:,4)=x(1:80,5);
% I2(:,5)=x(1:80,6);
% I2(:,6)=x(1:80,7);
% I2(:,7)=x(1:80,8);
% I2(:,8)=x(1:80,9);
% I2(:,9)=x(1:80,10);
% I2(:,10)=x(1:80,11);
% I2(:,11)=x(1:80,12);
% I2(:,12)=x(1:80,13);
% I2(:,13)=x(1:80,14);
% I2(:,14)=x(1:80,15);
% I2(:,15)=x(1:80,16);
% I2(:,16)=x(1:80,17);
% I2(:,17)=x(1:80,18);
% I2(:,18)=x(1:80,19);
% I2(:,19)=x(1:80,20);
% I2(:,20)=x(1:80,21);
% I2(:,21)=x(1:80,22);
% I2(:,22)=x(1:80,23);
% T=x(1:80,1);
%
% Hno=45;
% dim = 24*45+1;
%
% for i=1:1:Runno
%
% Rrate=0;
% [Fbest,Lbest,BestChart]=GSA(SearchAgents_no,Max_iteration,ElitistCheck,min_flag,Rpower,lb,ub,dim,fobj);
% BestSolutions1(i) = Fbest;
% [gBestScore,gBest,GlobalBestCost]= CPSOGSA(SearchAgents_no,Max_iteration,lb,ub,dim,fobj);
% BestSolutions4(i) = gBestScore;
% [BestSolACO,BestAnt,BestCostACO] = ACO(SearchAgents_no, Max_iteration,Q,tau0,alpha,rho,lb,ub,dim,fobj);
% BestSolutions5(i) = BestSolACO.Cost;
% [BestCost,Best_Hab,BestSol] = bbo( SearchAgents_no, Max_iteration,lb,ub,dim,fobj);
% BestSolutions6(i) = BestSol.Cost;
% [BestSolDE,DBestSol,BestCostDE] = DE(SearchAgents_no, Max_iteration,beta_min,beta_max,pCR,lb,ub,dim,fobj);
% BestSolutions7(i) = BestSolDE.Cost ;% W=Lbest(1:23*Hno);
% B=Lbest(23*Hno+1:dim);
% W=gBest(1:23*Hno);
% B=gBest(23*Hno+1:dim);
% W=BestAnt(1:23*Hno);
% B=BestAnt(23*Hno+1:dim);
% W=Best_Hab(1:23*Hno);
% B=Best_Hab(23*Hno+1:dim);
% W=DBestSol(1:23*Hno);
% B=DBestSol(23*Hno+1:dim);% for pp=1:80
% actualvalue=my_simulate(22,Hno,1,W,B,I2(pp,:) );
% if(T(pp)==1)
% if (actualvalue>=0.95)
% Rrate=Rrate+1;
% end
% end
% if(T(pp)==0)
% if (actualvalue(1)<0.05)
% Rrate=Rrate+1;
% end
% end
%
% end
% end
% end% if Function_name=='F6' %% Sigmoid
%
% Hnode=15;
% dim = 3*Hnode+1;
%
% %for test 3 times more than the training samples
% % xf1=[0:0.01:pi];
% % yf1=sin(2.*xf1);
% % yf1=yf1.*exp(-xf1);
% xf1=[-3:0.05:3];
% % yf1=sin(2.*xf1);
% % yf1=yf1.*exp(-xf1);
% %yf1=xf1.^2;
% %yf1=xf1.^4-6.*xf1.^2+3;
% yf1=sigmf(xf1,[1 0]);
%
% % xf1=[-2*pi:0.05:2*pi];
% % yf1=sin(2.*xf1);
% %yf1=yf1.*exp(-xf1);
% yNN=zeros(1,10);
% [xf,PS] = mapminmax(xf1);
% [yf,PS2]= mapminmax(yf1);
% [M N]=size(xf);
% test_error=zeros(1,Runno);
% for i=1:1:Runno
% [Fbest,Lbest,BestChart]=GSA(SearchAgents_no,Max_iteration,ElitistCheck,min_flag,Rpower,lb,ub,dim,fobj);
% BestSolutions1(i) = Fbest;
% [gBestScore,gBest,GlobalBestCost]= CPSOGSA(SearchAgents_no,Max_iteration,lb,ub,dim,fobj);
% BestSolutions4(i) = gBestScore;
% [BestSolACO,BestAnt,BestCostACO] = ACO(SearchAgents_no, Max_iteration,Q,tau0,alpha,rho,lb,ub,dim,fobj);
% BestSolutions5(i) = BestSolACO.Cost;
% [BestCost,Best_Hab,BestSol] = bbo( SearchAgents_no, Max_iteration,lb,ub,dim,fobj);
% BestSolutions6(i) = BestSol.Cost;
% [BestSolDE,DBestSol,BestCostDE] = DE(SearchAgents_no, Max_iteration,beta_min,beta_max,pCR,lb,ub,dim,fobj);
% BestSolutions7(i) = BestSolDE.Cost ;% W=1:2*Hnode;
% B=2*Hnode+1:3*Hnode+1;
% W=gBest(1:2*Hnode);
% B=gBest(2*Hnode+1:3*Hnode+1);
% W=BestAnt(1:2*Hnode);
% B=BestAnt(2*Hnode+1:3*Hnode+1);
% W=Best_Hab(1:2*Hnode);
% B=Best_Hab(2*Hnode+1:3*Hnode+1);
% W=DBestSol(1:2*Hnode);
% B=DBestSol(2*Hnode+1:3*Hnode+1);
%
% for pp=1:N
% yNN(pp)=my_simulate(1,15,1, W,B,xf(pp));
% end
%
% disp(['GSA is training FNN (Run # = ', num2str(i),' ,MSE = ', num2str(Fbest),')'])
% disp(['CPSOGSA is training FNN (Run # = ', num2str(i),' ,MSE = ', num2str(gBestScore), ')'])
% disp(['ACO is training FNN (Run # = ', num2str(i),' ,MSE = ', num2str(BestSolACO.Cost),')'])
% disp(['BBO is training FNN (Run # = ', num2str(i),' ,MSE = ', num2str(BestSol.Cost),')'])
% disp(['DE is training FNN (Run # = ', num2str(i),' ,MSE = ', num2str(BestSolDE.Cost),')'])
% end
% end% if Function_name=='F7' %% Cosine
%
% Hnode=15;
% dim = 3*Hnode+1;
%
% %for test 3 times more than the training samples
% % xf1=[0:0.01:pi];
% % yf1=sin(2.*xf1);
% % yf1=yf1.*exp(-xf1);
% %xf1=[-3:0.05:3];
% % yf1=sin(2.*xf1);
% % yf1=yf1.*exp(-xf1);
% %yf1=xf1.^2;
% %yf1=xf1.^4-6.*xf1.^2+3;
%
% xf1=[1.25:0.04:2.75];
% yf1=power(cos(xf1.*pi/2),7);
% %yf1=yf1.*exp(-xf1);
% yNN=zeros(1,10);
% [xf,PS] = mapminmax(xf1);
% [yf,PS2]= mapminmax(yf1);
% [M N]=size(xf);
% test_error=zeros(1,Runno);
% for i=1:1:Runno
% [Fbest,Lbest,BestChart]=GSA(SearchAgents_no,Max_iteration,ElitistCheck,min_flag,Rpower,lb,ub,dim,fobj);
% BestSolutions1(i) = Fbest;
% [gBestScore,gBest,GlobalBestCost]= CPSOGSA(SearchAgents_no,Max_iteration,lb,ub,dim,fobj);
% BestSolutions4(i) = gBestScore;
% [BestSolACO,BestAnt,BestCostACO] = ACO(SearchAgents_no, Max_iteration,Q,tau0,alpha,rho,lb,ub,dim,fobj);
% BestSolutions5(i) = BestSolACO.Cost;
% [BestCost,Best_Hab,BestSol] = bbo( SearchAgents_no, Max_iteration,lb,ub,dim,fobj);
% BestSolutions6(i) = BestSol.Cost;
% [BestSolDE,DBestSol,BestCostDE] = DE(SearchAgents_no, Max_iteration,beta_min,beta_max,pCR,lb,ub,dim,fobj);
% BestSolutions7(i) = BestSolDE.Cost ;
%
% W= Lbest(1:2*Hnode);
% B=Lbest(2*Hnode+1:3*Hnode+1);
% W=gBest(1:2*Hnode);
% B=gBest(2*Hnode+1:3*Hnode+1);
% W=BestAnt(1:2*Hnode);
% B=BestAnt(2*Hnode+1:3*Hnode+1);
% W=Best_Hab(1:2*Hnode);
% B=Best_Hab(2*Hnode+1:3*Hnode+1);
% W=DBestSol(1:2*Hnode);
% B=DBestSol(2*Hnode+1:3*Hnode+1);% for pp=1:N
% yNN(pp)=my_simulate(1,15,1, W,B,xf(pp));
% end
% %
% disp(['GSA is training FNN (Run # = ', num2str(i),' ,MSE = ', num2str(Fbest)
% disp(['CPSOGSA is training FNN (Run # = ', num2str(i),' ,MSE = ', num2str(gBestScore), ')'])
% disp(['ACO is training FNN (Run # = ', num2str(i),' ,MSE = ', num2str(BestSolACO.Cost),')'])
% disp(['BBO is training FNN (Run # = ', num2str(i),' ,MSE = ', num2str(BestSol.Cost),')'])
% disp(['DE is training FNN (Run # = ', num2str(i),' ,MSE = ', num2str(BestSolDE.Cost),')'])
% end
% end% if Function_name=='F8' %%Sine
%
% Hnode=15;
% dim = 3*Hnode+1;
%
% %for test 3 times more than the training samples
% % xf1=[0:0.01:pi];
% % yf1=sin(2.*xf1);
% % yf1=yf1.*exp(-xf1);
% %xf1=[-3:0.05:3];
% % yf1=sin(2.*xf1);
% % yf1=yf1.*exp(-xf1);
% %yf1=xf1.^2;
% %yf1=xf1.^4-6.*xf1.^2+3;
%
% xf1=[-2*pi:0.05:2*pi];
% yf1=sin(2.*xf1);
% %yf1=yf1.*exp(-xf1);
% yNN=zeros(1,10);
% [xf,PS] = mapminmax(xf1);
% [yf,PS2]= mapminmax(yf1);
% [M N]=size(xf);
% test_error=zeros(1,Runno);
% for i=1:1:Runno
% % [Fbest,Lbest,BestChart]=GSA(SearchAgents_no,Max_iteration,ElitistCheck,min_flag,Rpower,lb,ub,dim,fobj);
% % BestSolutions1(i) = Fbest;
% % [gBestScore,gBest,GlobalBestCost]= CPSOGSA(SearchAgents_no,Max_iteration,lb,ub,dim,fobj);
% % BestSolutions4(i) = gBestScore;
% % [BestSolACO,BestAnt,BestCostACO] = ACO(SearchAgents_no, Max_iteration,Q,tau0,alpha,rho,lb,ub,dim,fobj);
% % BestSolutions5(i) = BestSolACO.Cost;
% % [BestCost,Best_Hab,BestSol] = bbo( SearchAgents_no, Max_iteration,lb,ub,dim,fobj);
% % BestSolutions6(i) = BestSol.Cost;
% [BestSolDE,DBestSol,BestCostDE] = DE(SearchAgents_no, Max_iteration,beta_min,beta_max,pCR,lb,ub,dim,fobj);
% BestSolutions(i) = BestSolDE.Cost ;
% %
% W=Lbest(1:2*Hnode);
% B= Lbest(2*Hnode+1:3*Hnode+1);
% W=gBest(1:2*Hnode);
% B=gBest(2*Hnode+1:3*Hnode+1);
% W=BestAnt(1:2*Hnode);
% B=BestAnt(2*Hnode+1:3*Hnode+1);
% W=Best_Hab(1:2*Hnode);
% B=Best_Hab(2*Hnode+1:3*Hnode+1);
% W=DBestSol(1:2*Hnode);
% B=DBestSol(2*Hnode+1:3*Hnode+1);
%
% for pp=1:N
% yNN(pp)=my_simulate(1,15,1, W,B,xf(pp));
% end
% %
% disp(['GSA is training FNN (Run # = ', num2str(i),' ,MSE = ', num2str(Fbest),')'])
% disp(['CPSOGSA is training FNN (Run # = ', num2str(i),' ,MSE = ', num2str(gBestScore), ')'])
% disp(['ACO is training FNN (Run # = ', num2str(i),' ,MSE = ', num2str(BestSolACO.Cost),')'])
% disp(['BBO is training FNN (Run # = ', num2str(i),' ,MSE = ', num2str(BestSol.Cost),')'])
% disp(['DE is training FNN (Run # = ', num2str(i),' ,MSE = ', num2str(BestSolDE.Cost),')'])% end
% end% % A_Classification_rate=mean(Classification_rate);
% Average= mean(BestSolutions);
% StandDP=std(BestSolutions);
% Med = median(BestSolutions);
% [BestValueP I] = min(BestSolutions);
% [WorstValueP IM]=max(BestSolutions);
% end% figure
% set(axes,'FontName','Times New Roman');
% hold on
% grid on;
% xfDenorm = mapminmax('reverse',xf,PS);
% yfDenorm = mapminmax('reverse',yNN,PS2);
% test_error(1,i)=test_error(1,i)+sum(abs( yfDenorm- yf1 ));
% A_Test_Error=mean(test_error);
% plot(xf1,yf1,'DisplayName','Real curve','Color','b');
% plot(xfDenorm,yfDenorm,'DisplayName','Approximated curve','Marker','.','LineStyle','-','Color','r');
% %eqtext = '$$sin(2x)e^{-x}$$';
%
% name='GSA'
%
% title([['\fontsize{12}\it ', name]],'FontName','Times New Roman');
% xlabel('\fontsize{12}\it X');
% ylabel('\fontsize{12}\it Y');
% legend('toggle');
% set(legend,'FontAngle','italic','FontName','Times New Roman') disp(['Best=',num2str( BestValueP)])
disp(['Worst=',num2str(WorstValueP)])
disp(['Average=',num2str( Average)])
disp(['Standard_Deviation=',num2str( StandDP)])
disp(['Median=',num2str(Med)])
% % disp(['Mean_Test_Error = ' , num2str(A_Test_Error)])figuresemilogy(1:Max_iteration,BestChart,'DisplayName','GSA','Color','g','Marker','o','LineStyle','-','LineWidth',2,...'MarkerEdgeColor','g','MarkerFaceColor',[.49 1 .63],'MarkerSize',5);hold onsemilogy(1:Max_iteration,GlobalBestCost,'DisplayName','CPSOGSA', 'Color', 'r','Marker','diamond','LineStyle','-','LineWidth',2,...'MarkerEdgeColor','r','MarkerFaceColor',[.49 1 .63],'MarkerSize',5);semilogy(1:Max_iteration,BestCostACO,'DisplayName','ACO','Color','c','Marker','square','LineStyle','-','LineWidth',2,...'MarkerEdgeColor','c','MarkerFaceColor',[.49 1 .63],'MarkerSize',5);semilogy(1:Max_iteration,BestCost,'DisplayName','BBO','Color','b','Marker','*','LineStyle','-','LineWidth',2,...'MarkerEdgeColor','b','MarkerFaceColor',[.49 1 .63],'MarkerSize',5);semilogy(1:Max_iteration,BestCostDE,'DisplayName','DE','Color','y','Marker','+','LineStyle','-','LineWidth',2,...'MarkerEdgeColor','y','MarkerFaceColor',[.49 1 .63],'MarkerSize',5);title ('\fontsize{12}\bf XOR Dataset');% title ('\fontsize{12}\bf Baloon Dataset');% title ('\fontsize{12}\bf Iris Dataset');% title ('\fontsize{12}\bf Cancer Dataset');% title ('\fontsize{12}\bf Heart Dataset');% title ('\fontsize{12}\bf Sigmoid Dataset');% title ('\fontsize{12}\bf Cosine Dataset');% title ('\fontsize{12}\bf Sine Dataset');xlabel('\fontsize{12}\bf Iteration');
ylabel('\fontsize{12}\bf log(MSE)');legend('\fontsize{10}\bf GSA','\fontsize{10}\bf CPSOGSA','\fontsize{10}\bf ACO','\fontsize{10}\bf BBO','\fontsize{10}\bf DE',1);axis tight
box on
三、仿真结果
四、参考文献
Rather, S.A. and Bala, P.S. (2020), "A hybrid constriction coefficient-based particle swarm optimization and gravitational search algorithm for training multi-layer perceptron", International Journal of Intelligent Computing and Cybernetics, Vol. 13 No. 2, pp. 129-165. https://doi.org/10.1108/IJICC-09-2019-0105
【优化求解】粒子群优化和重力搜索算法求解MLP问题matlab源码相关推荐
- 【PSO三维路径规划】基于matlab粒子群算法无人机三维路径规划【含Matlab源码 015期】
一.无人机简介 0 引言 随着现代技术的发展,飞行器种类不断变多,应用也日趋专一化.完善化,如专门用作植保的大疆PS-X625无人机,用作街景拍摄与监控巡察的宝鸡行翼航空科技的X8无人机,以及用作水下 ...
- 【PSO三维路径规划】基于matlab粒子群算法无人机三维路径规划【含Matlab源码 1260期】
一.无人机简介 0 引言 随着现代技术的发展,飞行器种类不断变多,应用也日趋专一化.完善化,如专门用作植保的大疆PS-X625无人机,用作街景拍摄与监控巡察的宝鸡行翼航空科技的X8无人机,以及用作水下 ...
- 【PSO三维路径规划】基于matlab粒子群算法无人机三维路径规划【含Matlab源码 192期】
⛄一.无人机简介 无人机的航迹规划是指在综合考虑无人机飞行油耗.威胁.飞行区域以及自身物理条件限制等因素的前提下, 为飞行器在飞行区域内规划出从初始点到目标点最优或者满意的飞行航迹, 其本质是一个多约 ...
- 【配电网重构】基于matlab粒子群算法33节点配电网重构【含Matlab源码 1829期】
⛄一.配电网重构简介 1 配电网重构的数学模型 1.1 配电网重构的目标函数 配电网重构的数学模型实质就是多目标多约束的最优解问题, 配网重构的目标一般由以下几类: (1) 配电网最小网损为目标; ( ...
- 遗传-粒子群算法遗传-禁忌搜索算法求解TSP问题
1. 前言 上一篇博文[五种常见启发式算法求解TSP问题-总结篇]中,总结了五种常见启发式算法在求解TSP问题上的效果,其中遗传算法的求解质量最差,而粒子群算法和禁忌搜索算法的求解效果最佳,因此本文计 ...
- 【学习笔记】【算法】【智能优化】粒子群优化(PSO)
[学习笔记][算法][智能优化]粒子群优化(PSO) 文章目录 [学习笔记][算法][智能优化]粒子群优化(PSO) 1 算法背景 1.1 背景 1.2 基础知识 2 算法原理 2.1 基本原理 2. ...
- 【优化算法】黑洞模拟算法(MVO)【含Matlab源码 479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:[优化算法]黑洞模拟算法(MVO)[含Matlab源码 479期] 点击上面蓝色字体,直接付费下载,即可. 获取代码方式2: 付费专栏Ma ...
- 【LSSVM分类】基于matlab灰狼算法优化LSSVM分类(多输入多分类)【含Matlab源码 1558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:[LSSVM分类]基于matlab灰狼算法优化LSSVM分类(多输入多分类)[含Matlab源码 1558期] 获取代码方式2: 付费专栏 ...
- 【SVM回归预测】基于matlab粒子群算法优化SVM回归预测(多输入多输出)【含Matlab源码 1421期】
一.粒子群算法简介 1 引言 自然界中的鸟群和鱼群的群体行为一直是科学家的研究兴趣所在.生物学家Craig Reynolds在1987年提出了一个非常有影响的鸟群聚集模型,在他的仿真中,每一个个体都遵 ...
- 智能优化算法——粒子群优化算法(PSO)(小白也能看懂)
前言: 本文主要参考B站的一篇学习视频后,加之自己的理解和浓缩精华,不想看文字的可以直接划到末尾去b站看原视频,非常通俗易懂. 理论知识: 感性认知:如下面一张图片所示.在一个范围内,以三点(三)为例 ...
最新文章
- 清除应用数据后,应用对应的widget的数据无法刷新
- 3——PHP 简单运算符的使用
- vue 传递多行数据_vue 数据传递的方法
- 一文带你学会 UML--用例图
- php 四维数组_PHP 多维数组
- 云图说|玩转华为HiLens之端云协同AI开发
- ecshop插件_ECSHOP和SHOPEX快递单号查询中通快递插件V8.6专版
- 微信跳wap php_微信跳转wap外部浏览器接口如何实现
- mysql订单表和订单详情表_订单详情表,与,订单表 怎么做?
- 校本课程 计算机组装与维护,让信息技术成为校本课程开发的对象
- 【Decouple】《Improving Semantic Segmentation via Decoupled Body and Edge Supervision》
- c语言画实心坐标点,c-绘制实心圆的快速算法?
- VUE使用echarts实现中国地图航线动态展示
- 你的登录接口真的安全吗?
- js 实现打以及样式问题
- 零中频数字接收机原理
- 国内有那些chia矿池,chia矿池排行那几家比较靠谱
- 偏航角、俯仰角、横滚角的理解
- 【USACO 2.1.4】荷斯坦奶牛
- 如何使用 DOI 快速找到论文的全文下载网址
热门文章
- Spring aop(Aspectj)对dynamic proxy的类是无能为力的
- android 1像素变粗,一亿像素的意义:聊聊图像采样与重建
- ESP8266,电脑作为TCP SERVER,8266发数据给电脑
- 一场最长的演讲,AWS CEO Andy Jassy终于把“重塑”这件事说清楚了
- 微信小程序引入iconfont单色图标实例(Font class方式)
- 题目1198:a+b-----没有AC掉,,,,,借鉴了别人的一份,还有carr(c[len] = carr)(++len);是什么意思?...
- SpringMVC的参数传递
- 图解数据分析:从入门到精通系列教程
- daocloud mysql_GitHub - DaoCloud/php-laravel-mysql-sample
- Android 圆形旋转菜单