蚁群算法改进的BP神经网络(算法有问题待修正)

转自http://blog.sina.com.cn/greensim
function [BESTX,BESTY,ALLX,ALLY]=ACOUCP(50,30,0.95,1,0.5,LB,UB)

%% 此函数实现蚁群算法,用于优化BP神经网络权值阈值
%% 输入参数列表
% K        迭代次数
% N        蚁群规模
% Rho      信息素蒸发系数,取值0~1之间,推荐取值0.7~0.95
% Q        信息素增加强度,大于0,推荐取值1左右
% Lambda   蚂蚁爬行速度,取值0~1之间,推荐取值0.1~0.5
% LB       决策变量的下界,M×1的向量
% UB       决策变量的上界,M×1的向量
%% 输出参数列表
% BESTX    K×1细胞结构,每一个元素是M×1向量,记录每一代的最优蚂蚁
% BESTY    K×1矩阵,记录每一代的最优蚂蚁的评价函数值
% ALLX     K×1细胞结构,每一个元素是M×N矩阵,记录每一代蚂蚁的位置
% ALLY     K×N矩阵,记录每一代蚂蚁的评价函数值
%% 测试函数设置
% 测试函数用单独的子函数编写好,在子函数FIT.m中修改要调用的测试函数名即可
% 注意:决策变量的下界LB和上界UB,要与测试函数保持一致
%% 参考设置
% [BESTX,BESTY,ALLX,ALLY]=ACOUCP(50,30,0.95,1,0.5,LB,UB)


%% 第一步:初始化
M=length(LB);%决策变量的个数
%蚁群位置初始化
X=zeros(M,N);
for i=1:M
    x=unifrnd(LB(i),UB(i),1,N);
    X(i,:)=x;
end
%输出变量初始化
ALLX=cell(K,1);%细胞结构,每一个元素是M×N矩阵,记录每一代的个体
ALLY=zeros(K,N);%K×N矩阵,记录每一代评价函数值
BESTX=cell(K,1);%细胞结构,每一个元素是M×1向量,记录每一代的最优个体
BESTY=zeros(K,1);%K×1矩阵,记录每一代的最优个体的评价函数值
k=1;%迭代计数器初始化
Tau=ones(1,N);%信息素初始化
Y=zeros(1,N);%适应值初始化


%% 第二步:迭代过程
while k<=K
    YY=zeros(1,N);
    for n=1:N
        x=X(:,n);
        YY(n)=FIT(x,R,S1,S2,xx,yy);
    end
    maxYY=max(YY);
    temppos=find(YY==maxYY);
    POS=temppos(1);
    %蚂蚁随机探路
    for n=1:N
        if n~=POS
            x=X(:,n);
            Fx=FIT(x,R,S1,S2,xx,yy);
            mx=GaussMutation(x,LB,UB);
            Fmx=FIT(mx,R,S1,S2,xx,yy);
            if Fmx<Fx
                X(:,n)=mx;
                Y(n)=Fmx;
            elseif rand>1-(1/(sqrt(k)))
                X(:,n)=mx;
                Y(n)=Fmx;
            else
                X(:,n)=x;
                Y(n)=Fx;
            end
        end
    end
    for n=1:N
        if n~=POS
            x=X(:,n);
            Fx=FIT(x,R,S1,S2,xx,yy);
            mx=GaussMutation(x,LB,UB);
            Fmx=FIT(mx,R,S1,S2,xx,yy);
            if Fmx<Fx
                X(:,n)=mx;
                Y(n)=Fmx;
            elseif rand>1-(1/(sqrt(k)))
                X(:,n)=mx;
                Y(n)=Fmx;
            else
                X(:,n)=x;
                Y(n)=Fx;
            end
        end
    end


    %朝信息素最大的地方移动
    for n=1:N
        if n~=POS
            x=X(:,n);
            r=(K+k)/(K+K);
            p=randperm(N);
            t=ceil(r*N);
            pos=p(1:t);
            TempTau=Tau(pos);
            maxTempTau=max(TempTau);
            pos2=find(TempTau==maxTempTau);
            pos3=pos(pos2(1));
            x2=X(:,pos3(1));
            x3=(1-Lambda)*x+Lambda*x2;
            Fx=FIT(x,R,S1,S2,xx,yy);
            Fx3=FIT(mx,R,S1,S2,xx,yy);
            if Fx3<Fx
                X(:,n)=x3;
                Y(n)=Fx3;
            elseif rand>1-(1/(sqrt(k)))
                X(:,n)=x3;
                Y(n)=Fx3;
            else
                X(:,n)=x;
                Y(n)=Fx;
            end
        end
    end
    %更新信息素并记录
    Tau=Tau*(1-Rho);
    maxY=max(Y);
    minY=min(Y);
    DeltaTau=(maxY-Y)/(maxY-minY);
    Tau=Tau+Q*DeltaTau;
    ALLX{k}=X;
    ALLY(k,:)=Y;
    minY=min(Y);
    pos4=find(Y==minY);
    BESTX{k}=X(:,pos4(1));
    BESTY(k)=minY;
    disp(k);
    k=k+1;
end
%% 绘图
BESTY2=BESTY;
BESTX2=BESTX;
for k=1:K
    TempY=BESTY(1:k);
    minTempY=min(TempY);
    posY=find(TempY==minTempY);
    BESTY2(k)=minTempY;
    BESTX2{k}=BESTX{posY(1)};
end
BESTY=BESTY2;
BESTX=BESTX2;
plot(BESTY,'-ko','MarkerEdgeColor','k','MarkerFaceColor','k','MarkerSize',2)
ylabel('函数值')
xlabel('迭代次数')
grid on

你可能感兴趣的:(蚁群算法改进的BP神经网络(算法有问题待修正))