数学建模预测类问题-PSO优化BP的电池荷电状态预测

​  1、BP神经网络

    BP神经网络是将网络的输出与期望输出间的误差归结为权值和阈值的“过错”，通过反向传播把误差“分摊”给各个神经元的权值和阈值。BP神经网络由3层组成，输入层，隐含层和输出层。结构图如下图所示。

​编辑

2、PSO优化BP神经网络

    由于BP神经网络初始权值和阈值会导致预测效果的不佳，因此可建立相关的适应度函数，使用PSO对BP神经网络的权值和阈值进行寻优，得到较好的预测效果。

3、部分代码

clc
clear all
%节点个数
inputnum=2;
hiddennum=5;
outputnum=1;k=rand(1,40);%k是1*2000的向量，里面是0-1的随机均匀分布的数
[m,n]=sort(k);%sort默认按升序进行排列，m是排序后的矩阵，n是索引
train0=xlsread('data02c','A2:C41')
% train0=xlsread('时域数据','B7:D48');
[a,b]=size(train0);%指标矩阵维度
input_train=train0(n(1:30),1:2)';
output_train=train0(n(1:30),3)';
input_test=train0(n(31:40),1:2)';
output_test=train0(n(31:40),3)';%选连样本输入输出数据归一化
[inputn,inputps]=mapminmax(input_train);
[outputn,outputps]=mapminmax(output_train);%构建网络
net=newff(inputn,outputn,hiddennum);% 参数初始化
%粒子群算法中的两个参数
c1 = 1.49445;
c2 = 1.49445;maxgen=100;   % 进化次数  
sizepop=20;   %种群规模Vmax=1;
Vmin=-1;
popmax=5;
popmin=-5;for i=1:sizepoppop(i,:)=5*rands(1,21);V(i,:)=rands(1,21);fitness(i)=fun(pop(i,:),inputnum,hiddennum,outputnum,net,inputn,outputn);
end% 个体极值和群体极值
[bestfitness bestindex]=min(fitness);
zbest=pop(bestindex,:);   %全局最佳
gbest=pop;    %个体最佳
fitnessgbest=fitness;   %个体最佳适应度值
fitnesszbest=bestfitness;   %全局最佳适应度值%% 迭代寻优
for i=1:maxgenifor j=1:sizepop%速度更新V(j,:) = V(j,:) + c1*rand*(gbest(j,:) - pop(j,:)) + c2*rand*(zbest - pop(j,:));V(j,find(V(j,:)>Vmax))=Vmax;V(j,find(V(j,:)<Vmin))=Vmin;%种群更新pop(j,:)=pop(j,:)+0.2*V(j,:);pop(j,find(pop(j,:)>popmax))=popmax;pop(j,find(pop(j,:)<popmin))=popmin;%自适应变异pos=unidrnd(21);if rand>0.95pop(j,pos)=5*rands(1,1);end%适应度值fitness(j)=fun(pop(j,:),inputnum,hiddennum,outputnum,net,inputn,outputn);endfor j=1:sizepop%个体最优更新if fitness(j) < fitnessgbest(j)gbest(j,:) = pop(j,:);fitnessgbest(j) = fitness(j);end%群体最优更新 if fitness(j) < fitnesszbestzbest = pop(j,:);fitnesszbest = fitness(j);endendyy(i)=fitnesszbest;    end%% 结果分析
plot(yy)
title(['适应度曲线  ' '终止代数＝' num2str(maxgen)]);
xlabel('进化代数');ylabel('适应度');x=zbest;

4、结果展示

​编辑

​编辑

​编辑

​