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改进的麻雀搜索算法优化BP神经网络实现数据预测matlab代码_子函数【预测模型】基于Logistic改进的麻雀搜索算法优化BP神经网络实现数据预测matlab代码_初始化_02

【预测模型】基于Logistic改进的麻雀搜索算法优化BP神经网络实现数据预测matlab代码_数组_03【预测模型】基于Logistic改进的麻雀搜索算法优化BP神经网络实现数据预测matlab代码_子函数_04

【预测模型】基于Logistic改进的麻雀搜索算法优化BP神经网络实现数据预测matlab代码_数组_05【预测模型】基于Logistic改进的麻雀搜索算法优化BP神经网络实现数据预测matlab代码_子函数_06

【预测模型】基于Logistic改进的麻雀搜索算法优化BP神经网络实现数据预测matlab代码_初始化_07【预测模型】基于Logistic改进的麻雀搜索算法优化BP神经网络实现数据预测matlab代码_初始化_08

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改进的麻雀搜索算法优化BP神经网络实现数据预测matlab代码_子函数_09【预测模型】基于Logistic改进的麻雀搜索算法优化BP神经网络实现数据预测matlab代码_初始化_10

【预测模型】基于Logistic改进的麻雀搜索算法优化BP神经网络实现数据预测matlab代码_初始化_11【预测模型】基于Logistic改进的麻雀搜索算法优化BP神经网络实现数据预测matlab代码_子函数_12

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.