MATLAB实现PSO-BP：粒子群算法优化BP神经网络数值预测(完整代码+数据)

粒子群算法（Particle Swarm Optimization，PSO）优化BP神经网络的步骤如下：

1.读取数据，设置算法参数

2.初始化粒子群和速度：粒子代表一个BP神经网络模型，速度用于控制粒子在搜索空间中的移动。每个粒子的位置表示神经网络的权重和偏差，速度表示在某一方向上的搜索力度。

3.初始化全局最优解和个体最优解：全局最优解是整个粒子群中最优的解决方案，即最优的神经网络模型；个体最优解表示每个粒子找到的最优解。

4.计算适应度：针对每个粒子群中的粒子，根据染色体（权重和偏差）计算其适应度值。适应度函数为BP神经网络的误差。

5.更新速度和位置：根据粒子自身的最优解和群体中最优解，以及一些权重系数，更新粒子的速度和位置。具体来说，可以通过速度和位置更新公式来计算新的速度和位置。

粒子的速度更新公式如下:

粒子的位置更新公式如下:

6.更新全局最优解和个体最优解：在每次迭代后，根据适应度值更新全局最优解和个体最优解。如果某个粒子的适应度超过了全局最优解的适应度，则将其作为新的全局最优解；如果某个粒子的适应度超过了其个体最优解的适应度，则将其作为新的个体最优解。

7.重复迭代：重复执行步骤4和步骤5，直到达到停止迭代的条件。停止迭代的条件可以根据实际情况设定，例如达到最大迭代次数、适应度值达到预设的阈值或适应度值趋于稳定等。

​8.输出优化结果。

流程图如下：

数据见下表（只显示了少部分）：

其中X1～X3为输入的自变量数据，y为因变量数据（需要被BP或PSOBP拟合的目标值）。

MATLAB主程序如下: 

完整代码见: https://download.csdn.net/download/corn1949/88986570

%% 粒子群优化BP神经网络clc;close all;clear all;%清除变量rand('seed',1000);randn('seed',1000);format long g;addpath(genpath('psotoolbox'));global inputnumber hiddenumber outputnumber input_train output_train input_test P1 P2 T1 T2 inputps outputps indexM N;% % 随机产生数据% X=rand(200,3);% y=sum(X,2);% 读取Excel数据filename='数据.xls';[adata201,bdata201,cdata201]=xlsread(filename);X=adata201(:,1:end-1);y=adata201(:,end);Inputdata=X';Outputdata=y';snumber=size(Outputdata,2);% index200=1:snumber;%顺序样本index200=randperm(snumber);%随机样本numberTest=50;%用于测试的样本个数indextrain=index200(1:end-numberTest);indextest=index200(end-numberTest+1:end);% 定义训练集P1=Inputdata(:,indextrain);T1=Outputdata(:,indextrain);% 定义测试集P2=Inputdata(:,indextest);T2=Outputdata(:,indextest);%设置训练集和测试集%% (2)训练数据归一化[input_train,inputps]=mapminmax(P1);[output_train,outputps]=mapminmax(T1);%测试数据归一化input_test=mapminmax('apply',P2,inputps);output_test=mapminmax('apply',T2,outputps);[k11,k12]=size(input_train);%计算维数inputnumber=k11;%输入维数hiddenumber=8;%隐含神经元数outputnumber=size(output_train,1);%输出维数;%输出维数S=[hiddenumber*inputnumber,outputnumber*hiddenumber,hiddenumber*1,outputnumber*1];indexM=S2indexMfun(S);N=sum(S);% 编码长度tic;[x0,ybptest]=myfun2();bptime=toc;%% 参数初始化maxgen=200;%迭代次数popsize=50;%粒子群规模c1=1.8;%速度更新参数1c2=1.7;%速度更新参数2InertiaMax=0.93;%惯性因子最大值InertiaMin=0.5;%惯性因子最小值%% 设置变量区间lb=min(x0)*ones(1,N);ub=max(x0)*ones(1,N);%% 设置速度的区间vlb=(ub-lb)*-0.05;vub=(ub-lb)*0.05;%% 常规粒子群算法[popchrom,V]=genchrom(popsize,N,lb,ub,vlb,vub,x0);Value=decodepso(popchrom,popsize);%% 个体极值与群体极值的记录[bestfitness,bestindex]=min(Value);zbest=popchrom(bestindex,:);%全局最佳值gbest=popchrom;%个体最佳记录fitnessgbest=Value;%个体最佳适应度值fitnesszbest=bestfitness;%全局最佳适应度值%% 粒子群主算法程序：寻优主程序%进度条tracemat=zeros(maxgen,2);%初始化每代的群体目标函数跟踪矩阵tic;wait_hand = waitbar(0,'PSO runing……', 'tag', 'TMWWaitbar');for i=1:maxgen    waitbar(i/maxgen,wait_hand);%每循环一次更新一次进步条    w=InertiaMax-i*(InertiaMax-InertiaMin)./maxgen;%采用线性递减的动态惯性权重，w为惯性权重    for j=1:popsize        %% ------更新速度开始--------        V(j,:) = w*V(j,:) + c1*rand*(gbest(j,:) - popchrom(j,:)) + c2*rand*(zbest - popchrom(j,:));%更新速度        V(j,:)=limitspeed(V(j,:),vlb,vub,N);%限制速度        %% ------更新速度结束----------        %% ----种群更新开始------------        popchrom(j,:)=popchrom(j,:)+V(j,:);%更新种群        popchrom(j,:)=limitposition(popchrom(j,:),lb,ub,N);            end    Value=decodepso(popchrom,popsize);        for j=1:popsize        %个体最优更新        if Value(j)  
程序结果如下:
              
粒子群算法优化得到的最优目标函数
   
fitnesszbest =
  
        0.0369346431877225
  
粒子群算法优化得到的最优粒子
  
zbest =
  
  1 至 6 列
  
          -1.8822583836864          1.93590619139128      -0.00660025411353624         -1.56631053293057          2.38629652024333          1.00149061140052
  
  7 至 12 列
  
        -0.842085071302779        -0.928150447416021          1.96023347351274          1.23849087829245          1.12688642373663          2.27169333454338
  
  13 至 18 列
  
         0.312866503182535          2.28300815779148         -1.54401944900391         -2.19687784241278        -0.348196354068112          1.09320255587459
  
  19 至 24 列
  
          -2.6325648761068          1.19038033815092         -1.13748162180164         0.433916080442113          2.36907189925301          1.00195285827249
  
  25 至 30 列
  
        0.0610201397551746         0.336735182827607        -0.130176051349205         0.180771464483866         0.232207420333308       -0.0333882579538714
  
  31 至 36 列
  
      -0.00391313555670224        -0.827288544752633          2.83382006014957          -2.0484411685392          1.14144886498958         0.301230053772504
  
  37 至 41 列
  
          1.24640540602824          1.35900337347637         -1.93586694722239         -3.05365723741299        -0.615452378736378
  
PSO-BP运行时间(s)
  
psobptime =
  
               129.7314617
  
PSO-BP预测结果的各项指标
 
bp运行时间(s)
  
bptime =
  
                 4.8595654
  
BP预测结果的各项指标
  
outcell = 
  
    '算法'      'R2'                   'MSE'                    'RMSE'                  'MAPE'                'MAD'               
 
    'PSO-BP'    [0.970275232204773]    [0.00322857821203166]    [0.0568205791243952]    [2.11697106146321]    [0.0405419302583362]
 
    'BP'        [ 0.91336042298868]    [ 0.0274288132081395]    [ 0.165616464181975]    [6.95199901835048]    [ 0.125924433518992]
  
>>
  
完整代码见: https://download.csdn.net/download/corn1949/88986570