基本pso优化神经网络程序.docVIP

clc clear all %一、初始化部分 %1.1 预处理样本数据 % 选取训练样本(x,y) for i=1:126 x=0+0.0251*(i-1); y(i)=(sin(x)+(x.^2/9+x/3)*exp((-0.5)*(x.^2)))/2; % 待逼近函数 end AllSamIn=0:0.0251:pi; %训练样本输入 AllSamOut=y; %训练样本输出 %选取测试样本 for i=1:125 x=0.0125+0.0251*(i-1); %测试样本输入 ytest(i)=(sin(x)+(x.^2/9+x/3)*exp((-0.5)*(x.^2)))/2; %测试样本输出 end AlltestIn=0.0125:0.0251:(pi-0.0125); AlltestOut=ytest; %归一化训练样本，测试样本 [AlltestInn,minAlltestIn,maxAlltestIn,AlltestOutn,minAlltestOut,maxAlltestOut]= premnmx(AlltestIn,AlltestOut); %测试样本 [AllSamInn,minAllSamIn,maxAllSamIn,AllSamOutn,minAllSamOut,maxAllSamOut]= premnmx(AllSamIn,AllSamOut); %训练样本 testIn=AlltestInn; testOut=AlltestOutn; global Ptrain; Ptrain = AllSamInn; global Ttrain; Ttrain = AllSamOutn; %1.2 设置神经网络参数 global indim; %输入层神经元个数 indim=1; global hiddennum; %隐藏层神经元个数 hiddennum=3; global outdim; %输出层神经元个数 outdim=1; global Gpos; %1.3 设置微粒群参数 vmax=0.5; % 速度上限 minerr=1e-7; % 目标误差 wmax=0.95; wmin=0.25; global itmax; % 最大迭代次数 itmax=200; c1=1.5; c2=1.5; %权值随迭代次数线性递减以保证收敛 for iter=1:itmax W(iter)=wmax-((wmax-wmin)/itmax)*iter; end a=-1; b=1; m=-1; n=1; global N; % 微粒个数 N=30; global D; % 每个微粒的维数 D=(indim+1)*hiddennum+(hiddennum+1)*outdim; %所有权值和阈值 % 初始化微粒位置 rand(state,sum(100*clock)); %产生和时间相关的随机数 global X; X=a+(b-a)*rand(N,D,1); %X的值在a 和b之间 %初始化微粒速度 V=m+(n-m)*rand(N,D,1); %V的值在m和n之间 %二、微粒群更新迭代部分 %global net; net=newff(minmax(Ptrain),[hiddennum,outdim],{tansig,purelin}); global gbest; %全局最优位置 global pbest; %局部最优位置 %2.1第一次迭代 fitness=fitcal(X,indim,hiddennum,outdim,D,Ptrain,Ttrain); %计算适应值 [C,I]=min(fitness(:,1,1)); %第一代，返回微粒群中最小适应值给C，该微粒的序号给I L(:,1,1)=fitness(:,1,1); %第一代，每个微粒的适应值 B(1,1,1)=C; %第一代，全局最优适应值（B存储当前代最优适应值） bestminimum(1)=C; % bestminimum存储所有代中的全局最小适应值 gbest(1,:,1)=X(I,:,1); %第一代，全局最优的微粒位置 for p=1:N G(p,:,1)=gbest(1,:,1); %G便于速度更新运算（函数格式统一） end Gpos=gbest(1,:,1); for i=1:N; pbest(i,:,1)=X(i,:,1); %因为是第一代，当前位置即为历史最优位置 end V(:,:,2