蚁群算法ACO优化BP神经网络回归预测的算法设计及其MATLAB代码实现

文章目录

• 蚁群算法ACO优化BP神经网络回归预测的算法设计及其MATLAB代码实现
• 1. 蚁群算法简介
• 2. 蚁群算法优化BP神经网络回归预测模型的设计步骤
• 3. ACO-BP回归预测模型的参数设置
• 4. 运行结果
• 5. MATLAB代码与数据地址

1. 蚁群算法简介

蚁群算法（Ant Clony Optimization， ACO）是一种仿生智能优化算法，最早由意大利学者Dorigo、Maniezzo等于1991年提出，常用于求解旅行商TSP，路径规划等问题。蚁群算法的灵感来源于蚂蚁觅食的过程，蚂蚁在寻找食物源的路径上会留下信息素，而群体内的蚂蚁可以感知信息素，并沿着信息素浓度高的地方移动，形成正反馈机制。经过一段时间之后，蚂蚁就可以确定一条到达食物源的最优路径。

2. 蚁群算法优化BP神经网络回归预测模型的设计步骤

2.1 基本思路 用蚁群算法ACO优化BP神经网络的基本思路是：首先取出权值矩阵和阈值向量的元素，构成蚂蚁种群的路径坐标。因为蚂蚁到达食物源的路径越短，则路径上的信息素含量越高，所以将均方误差作为蚂蚁的适应度值。最终蚂蚁种群确定的最短路径作为最优的初始权值和阈值参数，再赋给BP神经网络，进行训练和测试，并与优化前的BP神经网络预测进行误差对比。

2.2 蚁群算法优化BP神经网络预测的步骤：

步骤一：读取数据，初始化BP神经网络的结构与ACO算法的参数。
步骤二：计算解空间的维度，初始化蚂蚁位置与最高信息素。
蚁群算法开始迭代（K=1，Start loop）。
步骤三：根据蚂蚁的位置，计算信息素含量。
步骤四：计算最高信息素，更新最优的个体位置。
步骤五：按概率转移和更新蚂蚁位置。
步骤六：执行步骤三——五的循环体，达到终止代数（K=max_iteration，End loop）。
步骤七：取出优化后的最佳蚂蚁位置坐标，赋给BP神经网络，得到最优的初始权值矩阵和阈值向量。
步骤八：优化后的BP神经网络进行训练与测试，比较优化前后的BP神经网络预测精度。

2.3 蚁群算法优化BP神经网络回归预测的流程图设计

3. ACO-BP回归预测模型的参数设置

3.1 数据说明
采用建筑物能源数据集，含有8个特征指标（影响因素），单输出预测指标。

3.2 数据格式

样本编号	features1	features2	features3	…	featuresn	target
1	–	–	–	–	–	–
2	–	–	–	–	–	–
…	–	–	–	–	–	–
n	–	–	–	–	–	–

3.3 优化变量的选取与适应度函数设计
优化BP神经网络的权值和阈值参数，将训练集与测试集整体的均方误差作为适应度函数。

式中，TraingingSet，TestingSet，分别为训练集和测试集的样本。

3.4 算法的参数设置

a)BP神经网络的参数设置

net=newff(inputn,outputn,hiddennum_best,{'tansig','purelin'},'trainlm','learngdm');% 建立模型

%网络参数配置
net.trainParam.epochs=1000;         % 训练次数
net.trainParam.lr=0.01;                   % 学习速率
net.trainParam.goal=0.00001;                    % 训练目标最小误差
net.trainParam.show=25;                % 显示频率
net.trainParam.mc=0.01;                 % 动量因子
net.trainParam.min_grad=1e-6;       % 最小性能梯度
net.trainParam.max_fail=6;               % 最高失败次数

b) 蚁群算法算法的参数设置

%初始化ACO参数
popsize=10;   %初始种群规模
maxgen=50;   %最大进化代数
dim=inputnum*hiddennum_best+hiddennum_best+hiddennum_best*outputnum+outputnum;    %自变量个数
lb=repmat(-3,1,dim);    %自变量下限
ub=repmat(3,1,dim);   %自变量上限
rou=0.9;  %信息素挥发系数
p0=0.2;  %转移概率常数
Q=1;  %信息释放总量
p=zeros(1,popsize);   %转移概率
Positions=zeros(popsize,dim);   %蚂蚁种群
tau=zeros(popsize,1);     %信息素记录

3.5 使用蚁群算法优化后的BP神经网络进行预测，并与BP神经网络的预测结果进行误差分析和对比

4. 运行结果

4.1 运行过程

智能优化算法是采用迭代搜索策略寻找全局最优解，对于大数据集样本而言，会消耗很多时间运行程序，而无法快速的得到期望的效果。所以在编写程序时设计了进度条，可点击取消（Cancel）按钮，随时终止循环并执行后续程序。

4.2 蚁群算法优化神经网络的进化曲线

4.3 优化结果与误差分析对比

5. MATLAB代码与数据地址

见博客主页

改进的BP神经网络回归预测算法类别	代码地址
BP	[BP神经网络回归预测MATLAB代码]
GA-BP	[[GA优化BP回归预测MATLAB代码（含优化前的对比）]]
PSO-BP	[[粒子群算法PSO优化BP神经网络回归预测MATLAB代码]]
ACO-BP	[[蚁群算法ACO优化BP神经网络回归预测MATLAB代码]]
ASO-BP	[[原子搜索算法ASO优化BP神经网络回归预测MATLAB代码]]
SSA-BP	[[麻雀搜索算法SSA优化BP神经网络回归预测MATLAB代码]]
WOA-BP	[[鲸鱼优化算法WOA优化BP神经网络回归预测MATLAB代码]]
ABC-BP	[[人工蜂群算法ABC优化BP神经网络回归预测MATLAB代码]]
SOA-BP	[[海鸥优化算法SOA优化BP神经网络回归预测MATLAB代码]]
CS-BP	[[布谷鸟搜索算法CS优化BP神经网络回归预测MATLAB代码]]
Logistic-ASO-BP	[[基于Logistic混沌映射改进的原子搜索算法ASO优化BP神经网络回归预测MATLAB代码]]
Logistic-SSA-BP	[[基于Logstic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]]
Tent-ASO-BP	[[基于Tent混沌映射改进的原子搜索算法ASO优化BP神经网络回归预测MATLAB代码]]
Tent-SSA-BP	[[基于Tent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]]
Sine-SSA-BP	[[基于Sine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]]
GA-ACO-BP	[[混合遗传蚁群算法GA-ACO优化BP神经网络回归预测MATLAB代码]]