基于多策略麻雀搜索算法的BP神经网络预测方法及装置制造方法及图纸

本申请公开了一种基于多策略麻雀搜索算法的BP神经网络预测方法及装置。所述方法包括：设置初始参数，并初始化种群；通过适配函数计算所述种群中每只麻雀的适配值f

【技术实现步骤摘要】
基于多策略麻雀搜索算法的BP神经网络预测方法及装置


[0001]本申请涉及大数据
，特别涉及一种基于多策略麻雀搜索算法的BP 神经网络预测方法及装置。

技术介绍

[0002]反向传播神经网络(Back Propagation,BP)是一种结构简单的基本模型，一般包括输入层、隐含层和输出层，在三层结构中，BP神经网络可以通过非线性元素模拟任何复杂的非线性关系。由于该方法具有良好的数据处理和非线性映射能力，已被广泛用于预测。虽然BP神经网络有很多优点，但它容易陷入局部最优，学习效率低，收敛慢。
[0003]现有技术对提高传统BP神经网络的收敛速度和避免收敛到局部最优进行了大量研究，并提出了许多优化方法。其中，通过模拟生物种群的进化过程或觅食行为抽象出来的智能优化算法，如蚁群算法(Ant Colony Optimization,ACO) 和粒子群算法(Particle Swarm Optimization,PSO)，由于具有实现简单、易于扩展的优点，被广泛用于解决优化问题，利用智能优化算法对BP神经网络进行优化已成为一个研究热点。标准的粒子群算法已经被研究人员应用于BP神经网络，有效地减少了学习时间，提高了计算精度。
[0004]本申请的专利技术人发现上述智能优化算法在运行后期，当群体多样性减少时，容易陷入局部最优，无法收敛到最佳精度。

技术实现思路

[0005]本申请提供一种基于多策略麻雀搜索算法的BP神经网络预测方法及装置，以提高预测的准确性。
[0006]第一方面，本申请实施例提供一种基于多策略麻雀搜索算法的BP神经网络预测方法，所述方法包括：
[0007]设置初始参数，并初始化种群；
[0008]通过适配函数计算所述种群中每只麻雀的适配值f
i
，然后对所述适配值f
i
进行排序，选择当前最优适配值f
g
及f
g
的对应位置X
b
，以及当前最差适配值f
w
及f
w
的对应位置X
w
；
[0009]根据迭代次数调整发现者比例PD值，确定发现者及跟随者，并更新发现者和追随者的位置；
[0010]根据更新后的发现者和追随者的位置，更新每只麻雀的最佳位置X
b
和X
b
的适配值f
g
，以及最差位置X
w
和X
w
的适配值f
w
；
[0011]将所述最佳位置X
b
和X
b
的适配值f
g
分配给BP神经网络进行训练和学习。
[0012]进一步地，在一个迭代完成后，所述方法还包括：
[0013]对麻雀进行自适应t分布变异，并重新计算每只麻雀的适配值f
i
；
[0014]如果该麻雀的适配值f
i
比变异前的麻雀的适配值f
i
低，则之前的麻雀将被变异后的麻雀所取代；
[0015]否则，保持不变。
[0016]进一步地，所述方法还包括：
[0017]通过随机游走策略对最优麻雀进行扰动；
[0018]如果扰动后的麻雀的适配值f
i
比之前的麻雀的适配值f
i
低，则用扰动后的麻雀替换之前的麻雀，并更新f
g
；
[0019]否则，保持不变。
[0020]进一步地，所述方法还包括：
[0021]确定算法是否达到了最大的迭代次数；
[0022]如果满足条件，循环结束，并输出优化结果；
[0023]否则，重新计算每只麻雀的适配值f
i
，继续循环。
[0024]进一步地，所述方法根据如下公式确定当前PD值
[0025][0026]其中，PD
start
和PD
end
分别是PD的初始值和最终值，最终发现者的数量由麻雀的数量和PD相乘并四舍五入得出。
[0027]进一步地，所述麻雀种群还包括侦察者，所述侦察者位置根据如下公式更新：
[0028][0029]其中，β是一个均值为0，方差为1的正态分布随机数，代表步长控制参数， K是[
‑
1，1]之间的随机数，f
i
代表第i只麻雀的适配值，f
g
和f
w
分别代表当前麻雀种群的最优适配值和最差适配值，γ是常数。
[0030]进一步地，所述自适应t分布用于根据如下公式改变及更新麻雀的位置：
[0031][0032]其中，是变异后的麻雀位置，x
i
是第i个麻雀个体的位置，t(r)是以当前迭代次数为自由度参数的t分布。
[0033]进一步地，所述随机游走的过程根据如下公式表示：
[0034]Y(t)＝[0，cussum(2r(t1)
‑
1)，
…
cussum(2r(t
n
)
‑
1)][0035]其中，Y(t)是随机行走的步数集合，cussum是计算的累积和，t是随机行走的步数，r(t)是随机函数。
[0036]进一步地，当可行域中存在着边界时，则根据如下公式进行归一化：
[0037][0038]其中，a
m
是m维变量的最小随机行；b
m
是m维变量的最大随机行；是m维变量在第r次迭代时的最小值；是m维变量在第r次迭代时的最大值。
[0039]第二方面，本申请实施例提供一种基于多策略麻雀搜索算法的BP神经网络预测装置用于执行上述方法。
[0040]本申请的有益效果如下：
[0041](1)本申请提供的MSSA具有快速收敛、高收敛精度和鲁棒性等优点。
[0042](2)本申请测试了不同的基准函数，证明了MSSA比现有算法具有更强的鲁棒性优化能力。MSSA的复杂结构可以应用于更多的场景，具有更多的应用价值。
[0043](3)本申请将MSSA
‑
BP模型与现有的DPSO
‑
BP进行比较，具有更好的预测性能和更广泛的适用性。
附图说明
[0044]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0045]图1是本申请实施例提供的三层BP神经网络模型的拓扑结构示意图；
[0046]图2a至2i为本申请实施例提供的基准函数的收敛图；
[0047]图3a至3b为本申请实施例提供的适应度曲线图；
[0048]图4为本申请实施例提供的一种电子设备的结构示意图。
...

【技术保护点】

【技术特征摘要】
1.一种基于多策略麻雀搜索算法的BP神经网络预测方法，其特征在于，所述方法包括：设置初始参数，并初始化种群；通过适配函数计算所述种群中每只麻雀的适配值f
i
，然后对所述适配值f
i
进行排序，选择当前最优适配值f
g
及f
g
的对应位置X
b
，以及当前最差适配值f
w
及f
w
的对应位置X
w
；根据迭代次数调整发现者比例PD值，确定发现者及跟随者，并更新发现者和追随者的位置；根据更新后的发现者和追随者的位置，更新每只麻雀的最佳位置X
b
和X
b
的适配值f
g
，以及最差位置X
w
和X
w
的适配值f
w
；将所述最佳位置X
b
和X
b
的适配值f
g
分配给BP神经网络进行训练和学习。2.如权利要求1所述的方法，其特征在于，在一个迭代完成后，所述方法还包括：对麻雀进行自适应t分布变异，并重新计算每只麻雀的适配值f
i
；如果该麻雀的适配值f
i
比变异前的麻雀的适配值f
i
低，则之前的麻雀将被变异后的麻雀所取代；否则，保持不变。3.如权利要求1所述的方法，其特征在于，还包括：通过随机游走策略对最优麻雀进行扰动；如果扰动后的麻雀的适配值f
i
比之前的麻雀的适配值f
i
低，则用扰动后的麻雀替换之前的麻雀，并更新f
g
；否则，保持不变。4.如权利要求1所述的方法，其特征在于，还包括：确定算法是否达到了最大的迭代次数；如果满足条件，循环结束，并输出...

【专利技术属性】
技术研发人员：程杰仁，冯登放，刘景欣，彭鑫，
申请(专利权)人：海南大学，
类型：发明
国别省市：