【BP数据预测】基于matlab斑点鬣狗算法优化BP神经网络数据预测【含Matlab 219期】

举报
海神之光 发表于 2022/05/29 00:35:54 2022/05/29
【摘要】 一、斑点鬣狗算法简介 斑点鬣狗的行为可以简化为搜索、包围、狩猎和攻击猎物。建立粘性集群有助于斑点鬣狗之间的有效合作,也最大限度地提高适应性。本节对斑点鬣狗的狩猎技术和社会关系进行数学建模。这种行为的数学...

一、斑点鬣狗算法简介

斑点鬣狗的行为可以简化为搜索、包围、狩猎和攻击猎物。建立粘性集群有助于斑点鬣狗之间的有效合作,也最大限度地提高适应性。本节对斑点鬣狗的狩猎技术和社会关系进行数学建模。这种行为的数学模型可由以下方程式表示:
在这里插入图片描述
式中,Dh表示猎物和斑点鬣狗之间的距离,x表示当前迭代,B→和E→表示共效向量,Pp→表示猎物的位置向量,P→表示斑点鬣狗的位置向量;“||”和“·”分别是向量的绝对值和向量乘法运算符。向量B→和E→的计算如下:
在这里插入图片描述
当迭代次数逐渐增大至最大迭代次数时,的值从5降到0。此外,随着迭代值的增加,这种机制使得搜索更细致。是介于[0,1]之间的随机向量。如图1所示,在二维环境中,斑点鬣狗可以通过式(17)和式(18)确定猎物的位置。斑点鬣狗(A,B)可以根据猎物(A*,B*)更新自己的位置,通过调整向量的值,可以遍布猎物周围不同的位置。相同的概念可以进一步扩展到N维搜索空间。
在这里插入图片描述
图1 斑点鬣狗的二维位置矢量
斑点鬣狗是群居动物,通常依靠朋友间的信任关系和识别猎物位置的能力来捕猎。为了从数学上定义斑点鬣狗的行为,假设每一只斑点鬣狗都知道猎物的位置,斑点鬣狗组成一个集群向猎物的位置靠近,并留下到目前为止最好的狩猎路径来更新它们的位置。该行为可以用公式表示如下:
在这里插入图片描述
式中,表示第一只最优的斑点鬣狗的位置;表示其他斑点鬣狗的位置;N表示斑点鬣狗的数量,计算如下:
在这里插入图片描述
其中,是介于区间[0.5,1]中的一个随机向量,nos定义了解的个数,并计算了所有候选解,加上后,它与给定搜索空间中的最优解非常相似,是一组包含N个最优解的集合。

为了对猎物进行数学建模,需减小向量的值以减少向量的变化。将向量的值定义为,在迭代过程中从5减小到0。当时,迫使斑点鬣狗群攻击猎物。攻击猎物的数学公式如下:
在这里插入图片描述
斑点鬣狗(SHO)算法允许搜索代理更新他们的位置并攻击猎物。式中,P→(x+1)保存最佳解决方案,并根据最佳搜索代理的位置更新其他搜索代理的位置。

斑点鬣狗可以熟悉猎物的位置并包围它们。为了对斑点鬣狗的社会等级进行数学建模,我们认为目前的最佳候选解决方案是目标猎物或最优斑点鬣狗的位置,因为搜索空间先前未知,所以搜索时需不断接近最优。其他搜索代理将在定义最佳搜索候选解决方案后尝试更新其位置,以获得最佳候选解决方案。

斑点鬣狗主要是根据表示的其他斑点鬣狗群的位置来搜索猎物。它们彼此远离,寻找并攻击猎物。因此,我们使用随机值大于1或小于-1的来强制搜索代理从离猎物很远的位置移动,该机制允许SHO算法全局搜索。为了找到合适的猎物,表示斑点鬣狗从远离猎物的地方向目标进行搜索,表示确定目标后进行攻击猎物。SHO算法的另一个组成部分是。在式(19)中,向量包含提供猎物随机权重的随机值。为了显示SHO算法的更多随机行为,假设向量优先于,以表示距离的影响,如等式(19)所示,这将有助于探索和避免局部最优。根据斑点鬣狗的位置,它可以随机地确定猎物的重量,并且可能使斑点鬣狗难以接近它。我们有意地用向量来提供随机值,以便在初始迭代和最终迭代中都进行搜索。这种机制对于避免局部最优问题非常有帮助,在最终迭代中是前所未有的。最后,通过满足终止条件来终止SHO算法。
在这里插入图片描述
图2 联合系统优化调度算法流程图
用SHO算法解决优化问题时需要注意以下几点:
(1)该算法保留了迭代过程中获得的所有最佳解。
(2)所提出的斑点鬣狗搜寻机制定义了一个圆形的邻域周围的解决方案,可以扩展到更高的维度作为一个超球体。
(3)随机向量协助候选解具有不同随机位置的超球体。
(4)建议的狩猎方法允许候选解确定猎物的可能位置。
(5)利用向量的调整值可表示探险和开发的可能性这一特点,使该算法可以轻松地在探险和开发之间进行转换。
(6)使用向量,一半迭代用于搜索(探险),另一半迭代用于打猎(开发)

二、部分源代码

%% 初始化
clear
close all
clc


  
 
  • 1
  • 2
  • 3
  • 4
  • 5

三、运行结果

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1] 包子阳,余继周,杨杉.智能优化算法及其MATLAB实例(第2版)[M].电子工业出版社,2016.
[2]张岩,吴水根.MATLAB优化算法源代码[M].清华大学出版社,2017.
[3]周品.MATLAB 神经网络设计与应用[M].清华大学出版社,2013.
[4]陈明.MATLAB神经网络原理与实例精解[M].清华大学出版社,2013.
[5]方清城.MATLAB R2016a神经网络设计与应用28个案例分析[M].清华大学出版社,2018.
[6]钟文,张志浩,管鑫,陈波,黄泰相,付翊航.基于斑点鬣狗算法的风/光/抽水蓄能联合运行系统优化调度研究[J].电力学报. 2020,35(02)

文章来源: qq912100926.blog.csdn.net,作者:海神之光,版权归原作者所有,如需转载,请联系作者。

原文链接:qq912100926.blog.csdn.net/article/details/124459775

【版权声明】本文为华为云社区用户转载文章,如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱: cloudbbs@huaweicloud.com
  • 点赞
  • 收藏
  • 关注作者

评论(0

0/1000
抱歉,系统识别当前为高风险访问,暂不支持该操作

全部回复

上滑加载中

设置昵称

在此一键设置昵称,即可参与社区互动!

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。