eps神经网络 pso神经网络

关注：智能算法及其模型预测

clc;
clear all;
close all
% restoredefaultpath
tic

%%  导入数据
% 训练集——190个样本
P = xlsread('data','training set','B2：G191')';
T = xlsread('data','training set','H2：H191')';
% 测试集——44个样本
P_test=xlsread('data','test set','B2:G45')';
T_test=xlsread('data','test set','H2:H45')';

N = size(P_test, 2);          % 测试集样本数
M = size(P, 2);         % 训练集样本数
% warning('off')
% 初始隐层神经元个数
hiddennum=15;                                          %数据维度数15 数据条数是9
inputnum=size(P,1);       % 输入层神经元个数8          
outputnum=size(T,1);      % 输出层神经元个数1
w1num=inputnum*hiddennum; % 输入层到隐层的权值个数
w2num=outputnum*hiddennum;% 隐层到输出层的权值个数
NN=w1num+hiddennum+w2num+outputnum; %待优化的变量的个数

%% 定义PSO算法参数
E0 = 0.001;                             % 允许误差    达到误差时就可以停止迭代
MaxNum = 20;                           % 粒子最大迭代次数
narvs = NN;                              % 目标函数的自变量个数
particlesize = 30;                      % 粒子群规模
c1 = 1.5;                                 % 个体经验学习因子
c2 = 1.5;                                 % 社会经验学习因子
w =0.8;                                 % 惯性因子
vmax = 0.8;                             % 粒子的最大飞翔速度
x = -1 + 2* rand(particlesize, narvs);% 粒子所在的位置 (rand产生的大小为0,1),规模是 粒子群数和参数需求数 设置了x的取值范围[-5,5] 
v = rand(particlesize,narvs);         % 粒子的飞翔速度  生成每个粒子的飞翔速度，由于是只有一个变量，所以速度是一维的
trace=zeros(NN+1,MaxNum);                        %寻优结果的初始值
ObjV=Objfun(x,P,T,hiddennum,P_test,T_test);        %计算目标函数值
personalbest_x=x;         % 用于存储对于每一个粒子最佳经历点的x值
personalbest_faval=ObjV;     % 同时存储对于每一个粒子的最佳经历点的数值，用于更改 
[globalbest_faval,i] = min(personalbest_faval); % min函数返回的第一个是最小值，还有一个就是最小值的下标，这里就是告诉了是在哪个粒子上
globalbest_x = personalbest_x(i,:);   % 这个是必定是全局最优点的位置
k = 1; % 开始迭代计数
while k <= MaxNum   % 当迭代次数达到设定的最大值的时候，就不要再进行迭代了
    ObjV=Objfun(x,P,T,hiddennum,P_test,T_test);        %计算目标函数值
    for i = 1:particlesize   % 对于每一个粒子        
%         f(i) = fitness(x(i,1)); % 得到每个粒子的当前位置 在函数上的适应值 
        if ObjV(i) < personalbest_faval(i)   % 如果这个值是小于个人最优解的位置的时候，就更新,我们经过转换，所以只用考虑求最小值的情况
            personalbest_faval(i) = ObjV(i); % 将第i个粒子的个人最优解设置为
            personalbest_x(i,:) = x(i,:); % 同时更改最有地址的位置
        end
    end 
        
   [globalbest_favalN,i] = min(personalbest_faval); 
    globalbest_xn = personalbest_x(i,:); % 更新全局 全局信息由个体信息描述组成
    
   trace(1:NN,k)=globalbest_xn;                       %记下每代的最优值x值
   trace(end,k)=globalbest_favalN;                               %记下每代的最优值