【预测模型】基于Logistic混沌映射改进的麻雀搜索算法SSA优化BP神经网络回归预测matlab代码

1 简介

针对麻雀搜索算法(SSA)在迭代后期种群多样性减少,易陷入局部最优等难题,提出了一种基于Logistic混沌映射的改进麻雀算法(LCSSA).利用Logistic混沌映射初始化种群,提高了初始解的质量,增加了种群多样性,利用线性递减权重法,降低了群体智能算法容易早熟的风险,避免算法后期容易在全局最优解附近发生振荡现象.依据8个基准函数对改进后算法与改进前算法进行性能对比测试.测试结果表明,LCSSA相较于SSA具有更快的迭代收敛速度,更高寻优精度且兼顾更好的稳定性.

【预测模型】基于Logistic混沌映射改进的麻雀搜索算法SSA优化BP神经网络回归预测matlab代码

【预测模型】基于Logistic混沌映射改进的麻雀搜索算法SSA优化BP神经网络回归预测matlab代码

2 部分代码

%% 基于logistic映射的种群初始化子函数

function Positions=logisticInitialization(popsize,dim,ub,lb)

%input:popsize   种群数量

%             dim           变量维度

%             ub             变量上限

%             lb               变量下限

%return:Positions    生成的初始种群位置

%初始化位置0数组

Positions=zeros(popsize,dim);

%对每个个体,混沌映射产生位置

for i = 1:popsize

    value =  Logistic(dim);  %混沌映射序列

    Positions(i,:)=value.*(ub-lb)+lb;

    %位置越界限制

    Positions(i,:)=min(Positions(i,:),ub);   %上界调整

    Positions(i,:)=max(Positions(i,:),lb);    %下界调整

end

end

%混沌映射子函数

function sequence=Logistic(n)

%input:n    混沌序列长度

%return:value    生成的混沌序列

%初始化数组

sequence=zeros(1,n);

sequence(1)=rand; %序列起点

%x0不为(0,0.25,0.5,0.75,1)

while max(sequence(1)==[0 0.25 0.5 0.75 1])==1

    sequence(1)=rand;

end

mu =3.8 ;%参数mu范围(0,4)

for i=1:n-1

    sequence(i+1)=mu*sequence(i)*(1-sequence(i));

end

end

3 仿真结果

【预测模型】基于Logistic混沌映射改进的麻雀搜索算法SSA优化BP神经网络回归预测matlab代码

【预测模型】基于Logistic混沌映射改进的麻雀搜索算法SSA优化BP神经网络回归预测matlab代码

【预测模型】基于Logistic混沌映射改进的麻雀搜索算法SSA优化BP神经网络回归预测matlab代码

【预测模型】基于Logistic混沌映射改进的麻雀搜索算法SSA优化BP神经网络回归预测matlab代码

4 参考文献

[1]吴丁杰, 周庆兴, 温立书. 基于Logistic混沌映射的改进麻雀算法[J]. 高师理科学刊, 2021, 41(6):6.

【预测模型】基于Logistic混沌映射改进的麻雀搜索算法SSA优化BP神经网络回归预测matlab代码

上一篇:java 雪花算法的两种实现方式


下一篇:The sequence 2 攻略 (第50-59关)