当前位置：首页 > news >正文

2024年新算法-秘书鸟优化算法(SBOA)优化BP神经网络回归预测

news 2025/6/27 9:49:53

2024年新算法-秘书鸟优化算法(SBOA)优化BP神经网络回归预测

亮点：

输出多个评价指标：R2，RMSE，MSE，MAPE和MAE

满足需求，分开运行和对比的都有对应的主函数：main_BP, main_SBOA, main_BPvsBP_SBOA，并且详细中文注释

方便快捷：替换excel数据即可运行自己的数据集

出图丰富：不仅有预测结果对比，还有预测误差的可视化

一. 秘书鸟优化算法（Secretary bird optimization algorithm, SBOA)

摘要：受秘书鸟在自然环境中的生存行为启发，提出一种新的基于种群的元启发式算法——秘书鸟优化算法(SBOA)。秘书鸟的生存包括持续猎食和躲避捕食者的追捕。这些信息对于提出一种新的元启发式算法至关重要，该算法利用秘书鸟的生存能力来解决现实世界的优化问题。该算法的探索阶段模拟秘书鸟捕食蛇，而利用阶段模拟它们逃离捕食者。在此阶段，秘书鸟类会观察环境，并选择最合适的方式到达安全的栖息地。这两个阶段在满足终止准则的前提下反复迭代，以找到优化问题的最优解。为了验证SBOA的性能，从收敛速度、收敛行为等方面进行了实验评估。此外，将SBOA与15种先进算法在CEC-2017和CEC-2022测试集上进行了比较。测试结果表明，SBOA在求解质量、收敛速度和稳定性方面均表现出了优异的性能。最后，利用SBOA求解12个约束工程设计问题，对无人机进行三维航迹规划。结果表明，与对比优化器相比，所提出的SBOA可以以更快的速度找到更好的解决方案，展示了其在解决现实世界优化问题方面的巨大潜力。

参考文献：Secretary bird optimization algorithm: a new metaheuristic for solving global optimization problems

Doi: 10.1007/s10462-024-10729-y

二、BP神经网络

在今天的数字化时代，BP神经网络（反向传播神经网络）成为了机器学习和人工智能领域的一项重要技术。这种网络模型通过模仿人脑的处理方式，能够学习并解决复杂的非线性问题，是许多现代AI应用的基础。BP神经网络通过其多层结构处理信息，每一层由多个神经元组成，神经元之间通过“权重”和“偏置”参数相连接。这些参数在网络的训练初期被随机初始化，以引入必要的随机性，帮助网络有效避开局部最优解，探索全局最优解。训练过程中，网络通过输入样本进行前向传播，计算输出误差，然后通过反向传播算法调整权重和偏置，逐步减少误差，优化模型性能。这一过程不断重复，直至网络达到预期的准确性。BP神经网络的强大功能使其在回归/分类、图像识别、语音处理、自然语言处理等多个领域得到广泛应用。随着技术的不断进步，BP神经网络仍将在智能化探索中扮演重要角色，推动科技创新的边界不断拓展。

三、SBOA-BP神经网络

在追求神经网络最优性能的过程中，参数优化扮演着核心角色。传统的梯度下降法虽广泛应用于网络训练，但在某些复杂的回归预测任务中，它们常受限于慢速收敛和陷入局部最优。引入基于秘书鸟方法的优化器（SBOA），我们提供了一种高效的替代方案，特别适合处理具有复杂数据问题。通过建立目标函数，对神经网络的权重和偏置进行优化，得到更好的模型。

四、实验结果

数据集使用的是波士顿房价数据集，可以直接替换数据运行自己的数据集：

点击mian_BP运行结果，并且输出评价指标R2，RMSE，MSE，MAPE和MAE：

点击main_SBOA运行结果如下，并且输出评价指标R2，RMSE，MSE，MAPE和MAE：

SBOA收敛曲线如下：

点击mainBPvsBPSBOA运行结果，并且输出评价指标R2，RMSE，MSE，MAPE和MAE：

所有图片：

预测结果对比图：

预测误差对比图：

所有评价指标：

部分代码如下：

warning off             % 关闭报警信息
close all               % 关闭开启的图窗
clear                   % 清空变量
clc                     % 清空命令行
%  导入数据
data = xlsread('回归预测_BostonHousing.xlsx');
% 计算数据集行数和列数
[num_rows, num_columns] = size(data);
%  划分训练集和测试集
temp = randperm(num_rows); % 打乱数据集
num_train = round(0.8*num_rows); % 百分之80作为训练集
P_train = data(temp(1: num_train), 1: num_columns-1)';
T_train = data(temp(1: num_train), num_columns)';
M = size(P_train, 2);
P_test = data(temp(num_train: end), 1: num_columns-1)';
T_test = data(temp(num_train: end), num_columns)';
N = size(P_test, 2);
%  数据归一化
[p_train, ps_input] = mapminmax(P_train, 0, 1);
p_test = mapminmax('apply', P_test, ps_input);
[t_train, ps_output] = mapminmax(T_train, 0, 1);
t_test = mapminmax('apply', T_test, ps_output);
%  节点个数
inputnum  = size(p_train, 1);  % 输入层节点数
hiddennum = 5;                 % 隐藏层节点数
outputnum = size(t_train,1);   % 输出层节点数
%  建立网络
net = newff(p_train, t_train, hiddennum);
%  设置训练参数
net.trainParam.epochs     = 1000;      % 训练次数
net.trainParam.goal       = 1e-6;      % 目标误差
net.trainParam.lr         = 0.01;      % 学习率
net.trainParam.showWindow = 0;         % 关闭窗口