【BP预测】基于猫群算法优化BP神经网络实现数据预测附matlab代码

1 简介

由于影响岩爆因素的复杂性,以及岩爆的极强灾害性.本文通过选择影响岩爆程度的四项物理力学指标,最后运算组合以后变成三项输入因子.应用BP神经网络对16组国内外岩爆实际工程案例进行训练,得到最优隐含层数.然后利用猫群群算法(CSO)优化网络的初始权值和闻值,避免了单独使用BP网络时说存茌的不足.利用Matlab及其神经网络工具箱来实现网络的运算和预测.将训练好的网路应用到三组实际的案例中,最终结果表明利用CSO-BP神经网络算法所预测出来的结果和实际岩爆烈度一致,且结果明显优于单因素判据和BP网络预测的结果.

猫群算法(CSO)是 年由台湾学者 Chu 等人通过观察猫群在日常生活中的行为提出来的一种新型群体智能算法。猫群算法与遗传算法类似，是基于迭代的优化方法，但是没有遗传算法的交叉算子，易实现，且拥有全局搜索、较快收敛速度等优点。

猫群算法是研究人员通过观察自然界猫群的生活习性提出来的一种智能算法。该算法把猫群分成跟踪和搜寻两种模式。每只猫即对应问题的一个解。每只猫的属性由猫的速度、猫的适应值、猫处于跟踪或搜寻模式的标志值(通常为 0 或 1)组成。每只猫处于初始位置，然后通过每只猫的标志值判断猫处于搜寻还是跟踪模式。若猫处于跟踪模式，则执行跟踪算子;若猫处于搜寻模式，则执行搜寻算子。最后使得猫处于一个新的位置，并保留最优猫直至算法满足结束条件。猫群算法的基本流程分为以下五步:

a)初始化猫群。

b)根据分组率将猫群随机划分为跟踪和搜寻两种模式。

c)根据猫的标志值对猫执行相应的算子进行位置更新。

d)计算每只猫的适应度，记录并保留适应度最优的猫。

e)若满足结束条件则终止算法，否则再返回步骤 b)。猫群算法的基本流程如图 1 所示。