【汇率预测】基于matlab模拟退火算法优化BP神经网络汇率预测【含Matlab源码 689期】

一、模拟退火算法简介

1 模拟退火算法的应用背景
模拟退火算法提出于1982年。Kirkpatrick等人首先意识到固体退火过程与优化问题之间存在着类似性；Metropolis等人对固体在恒定温度下达到热平衡过程的模拟也给他们以启迪。通过把Metropolis 算法引入到优化过程中，最终得到一种对 Metropolis 算法进行迭代的优化算法，这种算法类似固体退火过程，称之为“模拟退火算法”。
模拟退火算法是一种适合求解大规模组合优化问题的随机搜索算法。目前，模拟退火算法在求解 TSP，VLSI 电路设计等组合优化问题上取得了令人满意的结果。将模拟退火算法同其它的计算智能方法相结合，应用到各类复杂系统的建模和优化问题中也得到了越来越多的重视，已经逐渐成为一种重要的发展方向。

2 模拟退火算法介绍




3 模拟退火算法的参数
模拟退火是一种优化算法，它本身是不能独立存在的，需要有一个应用场合，其中温度就是模拟退火需要优化的参数，如果它应用到了聚类分析中，那么就是说聚类分析中有某个或者某几个参数需要优化，而这个参数，或者参数集就是温度所代表的。它可以是某项指标，某项关联度，某个距离等等。

二、部分源代码

%% 基于模拟退火算法优化BP神经网络的汇率预测
clear all
clc
warning off
%% 导入数据
load exchange_rate.mat
x = [];
y = [];
tr_len =  800;
num_input = 10;
for i = 1:length(X)-num_input
    x = [x; X(i:i+num_input-1)];
    y = [y; X(i+num_input)];
end
%训练集——800个样本
input_train = x(1:tr_len, :)';
output_train = y(1:tr_len)';
%测试集——52个样本
input_test = x(tr_len+1:end, :)';
output_test = y(tr_len+1:end)';

%% BP网络设置
%节点个数
[inputnum,N]=size(input_train);%输入节点数量
outputnum=size(output_train,1);%输出节点数量

hiddennum=5;
%选连样本输入输出数据归一化
[inputn,inputps]=mapminmax(input_train,0,1);
%构建网络
net=newff(inputn,output_train,hiddennum);
%% SA算法参数初始化
nvar=inputnum*hiddennum+hiddennum+hiddennum*outputnum+outputnum;
[outputn outputps]=mapminmax(output_train,0,1);% 归一化到【0 1】之间


%% SA算法主程序
lb=-1*ones(nvar,1); % 参数取值下界
ub=ones(nvar,1); % 参数取值上界
% 冷却表参数
MarkovLength=10; % 马可夫链长度
DecayScale=0.85; % 衰减参数
StepFactor=0.2; % Metropolis步长因子
Temperature0=8; % 初始温度
Temperatureend=3; % 最终温度
Boltzmann_con=1; % Boltzmann常数
AcceptPoints=0.0; % Metropolis过程中总接受点
% 随机初始化参数
range=ub-lb;
Par_cur=rand(size(lb)).*range+lb; % 用Par_cur表示当前解
Par_best_cur=Par_cur; % 用Par_best_cur表示当前最优解
Par_best=rand(size(lb)).*range+lb; % 用Par_best表示冷却中的最好解
% 每迭代一次退火(降温)一次，直到满足迭代条件为止
t=Temperature0;
itr_num=0; % 记录迭代次数
while t>Temperatureend
    itr_num=itr_num+1;
    itr_num
    t=DecayScale*t; % 温度更新（降温)
    for i=1:MarkovLength
        % 在此当前参数点附近随机选下一点
        p=0;
        while p==0
            Par_new=Par_cur+StepFactor.*range.*(rand(size(lb))-0.5);
            % 防止越界
            if sum(Par_new>ub)+sum(Par_new<lb)==0
                p=1;
            end
        end
        % 检验当前解是否为全局最优解
        if (objfun_BP(Par_best,inputnum,hiddennum,outputnum,net,inputn,outputn)>...
                objfun_BP(Par_new,inputnum,hiddennum,outputnum,net,inputn,outputn))
            % 保留上一个最优解
            Par_best_cur=Par_best;
            % 此为新的最优解
            Par_best=Par_new;
        end
        % Metropolis过程
        if (objfun_BP(Par_cur,inputnum,hiddennum,outputnum,net,inputn,outputn)-...
                objfun_BP(Par_new,inputnum,hiddennum,outputnum,net,inputn,outputn)>0)
            % 接受新解
            Par_cur=Par_new;
            AcceptPoints=AcceptPoints+1;
        else
            changer=-1*(objfun_BP(Par_new,inputnum,hiddennum,outputnum,net,inputn,outputn)...
                -objfun_BP(Par_cur,inputnum,hiddennum,outputnum,net,inputn,outputn))/Boltzmann_con*Temperature0;
            p1=exp(changer);
            if p1>rand
                Par_cur=Par_new;
                AcceptPoints=AcceptPoints+1;
            end
        end
    end
end
%% 结果显示
x=Par_best';
%% 把最优初始阀值权值赋予网络预测
% %用遗传算法优化的BP网络进行值预测
w1=x(1:inputnum*hiddennum);
B1=x(inputnum*hiddennum+1:inputnum*hiddennum+hiddennum);
w2=x(inputnum*hiddennum+hiddennum+1:inputnum*hiddennum+hiddennum+hiddennum*outputnum);
B2=x(inputnum*hiddennum+hiddennum+hiddennum*outputnum+1:inputnum*hiddennum+hiddennum+hiddennum*outputnum+outputnum);

net.iw{1,1}=reshape(w1,hiddennum,inputnum);
net.lw{2,1}=reshape(w2,outputnum,hiddennum);
net.b{1}=reshape(B1,hiddennum,1);
net.b{2}=B2;

%% BP网络训练
%网络进化参数
net.trainParam.epochs=100;
net.trainParam.lr=0.1;
net.trainParam.mc = 0.8;%动量系数，[0 1]之间
net.trainParam.goal=0.001;
%网络训练
net=train(net,inputn,outputn);
%网络训练
net=train(net,inputn,outputn);
%% BP训练集预测
BP_sim=sim(net,inputn);
%网络输出反归一化
T_sim=mapminmax('reverse',BP_sim,outputps);
% 
 figure
 plot(1:length(output_train),output_train,'b-','linewidth',1)
 hold on
 plot(1:length(T_sim),T_sim,'r-.','linewidth',1)
 axis tight
 xlabel('训练样本','FontSize',12);
 ylabel('汇率','FontSize',12);
 legend('实际值','预测值');
 string={'SA-BP预测'}
 title(string);
% %% 测试数据归一化
  inputn_test=mapminmax('apply',input_test,inputps);
% %预测输出
  an=sim(net,inputn_test);
  BPsim=mapminmax('reverse',an,outputps);
 figure
 plot(1:length(output_test), output_test,'b-','linewidth',1)
 hold on

  

 

  
1
  
2
  
3
  
4
  
5
  
6
  
7
  
8
  
9
  
10
  
11
  
12
  
13
  
14
  
15
  
16
  
17
  
18
  
19
  
20
  
21
  
22
  
23
  
24
  
25
  
26
  
27
  
28
  
29
  
30
  
31
  
32
  
33
  
34
  
35
  
36
  
37
  
38
  
39
  
40
  
41
  
42
  
43
  
44
  
45
  
46
  
47
  
48
  
49
  
50
  
51
  
52
  
53
  
54
  
55
  
56
  
57
  
58
  
59
  
60
  
61
  
62
  
63
  
64
  
65
  
66
  
67
  
68
  
69
  
70
  
71
  
72
  
73
  
74
  
75
  
76
  
77
  
78
  
79
  
80
  
81
  
82
  
83
  
84
  
85
  
86
  
87
  
88
  
89
  
90
  
91
  
92
  
93
  
94
  
95
  
96
  
97
  
98
  
99
  
100
  
101
  
102
  
103
  
104
  
105
  
106
  
107
  
108
  
109
  
110
  
111
  
112
  
113
  
114
  
115
  
116
  
117
  
118
  
119
  
120
  
121
  
122
  
123
  
124
  
125
  
126
  
127
  
128
  
129
  
130
  
131
  
132
  
133
  
134
  
135
  
136
  
137
  
138
  
139
  
140
  
141
 

三、运行结果

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.

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/115434135