外国做的福利小视频在线观看网站,网站 前台 设计要求,网站怎么查是哪家网络公司做的,中国站长之家对于麻雀搜索算法的介绍#xff0c;网上已经有不少资料了#xff0c;这边公布SSA的matlab实现
下面展示SSA算法的核心代码以及详细注解 % 麻雀搜索算法函数定义 % 输入#xff1a;种群大小(pop)#xff0c;最大迭代次数(Max_iter)#xff0c;搜索空间下界(lb)#xff0c…对于麻雀搜索算法的介绍网上已经有不少资料了这边公布SSA的matlab实现
下面展示SSA算法的核心代码以及详细注解 % 麻雀搜索算法函数定义 % 输入种群大小(pop)最大迭代次数(Max_iter)搜索空间下界(lb)搜索空间上界(ub)问题维度(dim)目标函数(fobj) % 输出最优适应度值(Best_score)最优位置(Best_pos)每次迭代的最优适应度值(curve) function [Best_score,Best_pos,curve]SSA(pop,Max_iter,lb,ub,dim,fobj) % 预警值 ST 0.7; % 发现者的比例 PD 0.4; % 意识到有危险麻雀的比重 SD 0.2; % 计算发现者数量和意识到有危险麻雀数量 PDNumber round(pop*PD); SDNumber round(SD*PD); % 种群初始化 X0initialization(pop,dim,ub,lb); X X0; % 计算初始适应度值 fitness zeros(1,pop); for i 1:pop fitness(i) fobj(X(i,:)); end % 对适应度值进行升序排序找到最优和最差的适应度值 [fitness, index] sort(fitness); BestF fitness(1); WorstF fitness(end); % 更新全局最优适应度值 GBestF fitness(1); % 根据适应度值的排序结果重新排列种群中的麻雀 for i 1:pop X(i,:) X0(index(i),:); end % 初始化记录每次迭代的最优适应度值的数组 curvezeros(1,Max_iter); % 记录全局最优位置 GBestX X(1,:); % 初始化新的种群位置 X_new X; % 迭代开始 for i 1: Max_iter disp([第,num2str(i),次迭代]) BestF fitness(1); WorstF fitness(end); % 麻雀的行为更新 for j 1:PDNumber if(rand(1)ST) % 麻雀降低飞行高度以避免风险 X_new(j,:) X(j,:).*exp(-j/(rand(1)*Max_iter)); else % 麻雀在原有位置上添加随机扰动以模拟发现者的搜索行为 X_new(j,:) X(j,:) randn()*ones(1,dim); end end for j PDNumber1:pop if(j(pop - PDNumber)/2 PDNumber) % 麻雀向全局最优麻雀靠近以模拟麻雀的跟随行为 X_new(j,:) randn().*exp((X(end,:) - X(j,:))/j^2); else % 麻雀向局部最优麻雀靠近以模拟麻雀的跟随行为 A ones(1,dim); for a 1:dim if(rand()0.5) A(a) -1; end end AA A*inv(A*A); X_new(j,:) X(1,:) abs(X(j,:) - X(1,:)).*AA; end end % 对于意识到有危险的麻雀进行特殊的行为更新 Temp randperm(pop); SDchooseIndex Temp(1:SDNumber); for j 1:SDNumber if(fitness(SDchooseIndex(j))BestF) % 如果适应度值大于当前最优值麻雀向全局最优麻雀靠近 X_new(SDchooseIndex(j),:) X(1,:) randn().*abs(X(SDchooseIndex(j),:) - X(1,:)); matlab elseif(fitness(SDchooseIndex(j)) BestF) % 如果适应度值等于当前最优值麻雀进行随机行为 K 2*rand() -1; X_new(SDchooseIndex(j),:) X(SDchooseIndex(j),:) K.*(abs( X(SDchooseIndex(j),:) - X(end,:))./(fitness(SDchooseIndex(j)) - fitness(end) 10^-8)); end end % 边界控制防止麻雀飞出搜索空间 for j 1:pop for a 1: dim if length(ub)1 if(X_new(j,a)ub(a)) X_new(j,a) ub(a); end if(X_new(j,a)lb(a)) X_new(j,a) lb(a); end else if(X_new(j,a)ub) X_new(j,a) ub; end if(X_new(j,a)lb) X_new(j,a) lb; end end end end % 更新位置 for j1:pop fitness_new(j) fobj(X_new(j,:)); end for j 1:pop if(fitness_new(j) GBestF) % 更新全局最优适应度值和位置 GBestF fitness_new(j); GBestX X_new(j,:); end end X X_new; fitness fitness_new; % 根据新的适应度值重新排序种群 [fitness, index] sort(fitness); BestF fitness(1); WorstF fitness(end); for j 1:pop X(j,:) X(index(j),:); end % 记录当前迭代的最优适应度值 curve(i) GBestF; disp([current iteration is: ,num2str(i), , best fitness is: , num2str(GBestF)]) end % 返回全局最优位置和最优适应度值 Best_pos GBestX; Best_score curve(end); end 将SSA应用到BP神经网络优化上优化结果图如下 具体思路为
1.清理环境开始时代码清理了MATLAB环境关闭了所有图窗清空了所有变量和命令行以确保开始一个全新的会话。
2.导入数据导入一个名为“数据集.xlsx”的Excel文件并对数据进行了分析。数据集被分为训练集和测试集其中80%的数据用作训练集。
3.数据归一化为了使网络训练更有效数据被归一化到0和1之间。
4.创建和配置神经网络创建了一个新的前馈神经网络其中隐藏层的节点数为15。然后设置了网络的训练参数包括训练次数、目标误差和学习率。
5.麻雀搜索算法(SSA)的应用SSA是一种优化算法用于寻找最优的权重和阀值以初始化神经网络。SSA模拟了麻雀的捕食行为麻雀通过在搜索空间内搜索食物源来找到最优解。
6.网络训练和预测用SSA找到的最优初始权重和阀值训练网络并对训练集和测试集进行预测。
7.反归一化预测完成后数据被反归一化以便可以与原始数据进行比较。
8.评估模型性能计算了均方根误差(RMSE)、决定系数(R2)、均方误差(MSE)、剩余预测残差(RPD)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)来评估模型的性能。
9.结果可视化最后通过各种图形包括预测结果、误差直方图、优化曲线、线性拟合图等对结果进行了可视化。
完整的代码实现以及数据集见
GitHub - dazhiwang233/matlab-implementation-of-SSA-BP-network: SSA-BP网络的matlab实现
