原子搜索算法优化BP神经网络回归预测的算法设计-附代码

原子搜索算法ASO优化BP神经网络回归预测模型以及MATLAB代码实现

1. 算法描述

原子搜索算法（Atom Search Optimization）是一种较新的智能优化算法，在2019年提出，算法灵感来源于微观分子动力学。物理学意义是，每个原子在搜索空间中的位置代表一个与原子质量相对应的解，较好的解表示较重的质量。种群中的所有原子会根据彼此之间的距离相互吸引或排斥，且较轻的原子向较重的原子移动。原子搜索算法通过计算Lennard-Jones势能，利用加速度与速度随距离的关系而发生改变，来更新原子的位置，实现求解优化问题。

2. ASO优化BP神经网络预测的步骤与流程图

3. 模型介绍

3.1 数据说明
采用MATLAB官方的建筑物能源数据集，来实现BP回归预测与原子搜索算法ASO优化BP的回归预测算法。

3.2 数据格式

样本编号	features1	features2	features3	…	featuresn	target
1	–	–	–	–	–	–
2	–	–	–	–	–	–
…	–	–	–	–	–	–
n	–	–	–	–	–	–

3.3 优化变量的选取与适应度函数设计
优化BP神经网络的权值和阈值参数，选取训练集与测试集整体的均方误差为适应度值。适应度函数值越小，表明训练越准确，且兼顾模型的预测精度更好。

式中，TraingingSet，TestingSet，分别为训练集和测试集的样本。

3.4 算法的参数设置

%初始化ASO参数
popsize=30;   %初始种群规模
maxgen=50;   %最大进化代数
dim=inputnum*hiddennum_best+hiddennum_best+hiddennum_best*outputnum+outputnum;    %自变量个数
lb=repmat(-3,1,dim);    %自变量下限
ub=repmat(3,1,dim);   %自变量上限
alpha=50;     %深度权重
beta=0.2;     %乘数权重

3.5 使用ASO优化后的BP神经网络进行预测，并与BP神经网络的预测结果进行误差分析和对比

4. ASO-BP预测结果与图像

5. MATLAB代码与数据下载地址

改进的BP神经网络回归预测算法类别	代码与数据地址链接
GA-BP	GA优化BP回归预测MATLAB代码（含优化前的对比）
PSO-BP	粒子群算法PSO优化BP神经网络回归预测MATLAB代码
ASO-BP	原子搜索算法ASO优化BP神经网络回归预测MATLAB代码
SSA-BP	麻雀搜索算法SSA优化BP神经网络回归预测MATLAB代码
WOA-BP	鲸鱼优化算法WOA优化BP神经网络回归预测MATLAB代码
Logistic-ASO-BP	基于Logistic混沌映射改进的原子搜索算法ASO优化BP神经网络回归预测MATLAB代码
Logistic-SSA-BP	基于Logstic混沌映射改进的麻雀搜索算法SSA优化BP神经网络回归预测MATLAB代码
Tent-ASO-BP	基于Tent混沌映射改进的原子搜索算法ASO优化BP神经网络回归预测MATLAB代码
Tent-SSA-BP	基于Tent混沌映射改进的麻雀搜索算法SSA优化BP神经网络回归预测MATLAB代码
Sine-SSA-BP	基于Sine混沌映射改进的麻雀搜索算法SSA优化BP神经网络回归预测MATLAB代码