【完整matlab程序】【预测程序】狼群优化算法及BP神经网络

一、狼群优化算法及BP神经网络简介

1、BP神经网络

- BP简介：

BP(backpropagation)神经网络是1986年由Rumelhart和McClelland为首的科学家提出的概念，是一种按照误差逆向传播算法训练的多层前馈神经网络，是应用最广泛的神经网络模型之一

- BP结构：

BP网络是在输入层与输出层之间增加若干层(一层或多层)神经元，这些神经元称为隐单元，它们与外界没有直接的联系，但其状态的改变，则能影响输入与输出之间的关系，每一层可以有若干个节点。

BP计算过程：

BP神经网络的计算过程由正向计算过程和反向计算过程组成。正向传播过程，输入模式从输入层经隐单元层逐层处理，并转向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出，则转入反向传播，将误差信号沿原来的连接通路返回，通过修改各神经元的权值，使得误差信号最小。

BP示意图：

BP网络的局限性

**
BP网络具有以下的几个问题：
(1)需要较长的训练时间：这主要是由于学习速率太小所造成的，可采用变化的或自适应的学习速率来加以改进。
(2)完全不能训练：这主要表现在网络的麻痹上，通常为了避免这种情况的产生，一是选取较小的初始权值，而是采用较小的学习速率。
(3)局部最小值：这里采用的梯度下降法可能收敛到局部最小值，采用多层网络或较多的神经元，有可能得到更好的结果。

2、狼群优化算法

简介：

狼群算法是一种随机概率搜索算法，使其能够以较大的概率快速找到最优解；狼群算法还具有并行性，可以在同一时间从多个点出发进行搜索，点与点之间互不影响，从而提高算法的效率。
**

优化步骤：

**
狼群算法通过初始化狼群、竞争头狼、头狼召唤、围攻猎物以及狼群更新5个步骤来实现求解最优化问题，狼群算法步骤如下：

步骤1 数值初始化

初始化狼群中人工狼位置 Xi及其数目N ,最大迭代次数kmax ,探狼比例因子α,最大游走次数Tmax,距离判定因子w,步长因子S,更新比例因子β。

步骤2 选取头狼

选取最优人工狼为头狼，除头狼外最佳的S _num匹人工狼为探狼并执行游走行为,直到某只探狼i侦察到的猎物气味浓度Yi大于头狼所感知的猎物气味浓度Ylead或达到最大游走次数Tmax ,则转步骤3。

步骤3 奔袭

人工猛狼据式(2)向猎物奔袭，若途中猛狼感知的猎物气味浓度Y i > Ylead 则Y lead = Y i ,替代头狼并发起召唤行为;若Yi <Ylead ,则人工猛狼继续奔袭直到dis ≤dnear , 转步骤4。

步骤4 围攻

按式(4)对参与围攻行为的人工狼的位置进行更新,执行围攻行为。

步骤5 头狼位置更新

按“胜者为王”的头狼产生规则对头狼位置进行更新;再按照“强者生存”的狼群更新机制进行群体更新。

步骤6 精度判断

判断是否达到优化精度要求或最大迭代次数kmax ,若达到则输出头狼的位置,即所求问题的最优解 ,否则转步骤2。

3、狼群优化BP神经网络

由于BP神经网络采用均方误差梯度下降方向进行收敛, 因此容易陷入局部最优, 且收敛速度慢, 而且BP神经网络对初始化参数中的权值和阀值具有较大的敏感性。本文采用狼群算法优化BP神经网络, 以达到克服BP算法的缺陷, 避免陷入局部最优, 而且使收敛加速。

二、程序

##完整程序获取：加扣扣：1493502034
……
% 初始化种群
for i = 1:numWolfpop(i,:)=rands(1,N);fitness(i)=fun(pop(i,:),inputnum,hiddennum,outputnum,net,inputn,outputn);
end
[bestfitness,LeadWolf] = min(fitness);
……
figure
plot(output_test(2,:),'r + -');
hold on;
plot(an(2,:),'b * -')
hold off
legend('真实值','预测值');

完整程序获取：加扣扣——1493502034

三、程序运行结果：