首页 > 编程语言 >基于ABC-BP人工蚁群优化BP神经网络实现数据预测Python实现

基于ABC-BP人工蚁群优化BP神经网络实现数据预测Python实现

时间:2024-09-04 17:21:01浏览次数:10  
标签:ABC 蜜源 Python self 神经网络 BP size

在数据预测领域,传统的统计方法和时间序列分析在面对复杂、非线性的数据时往往力不从心。随着人工智能技术的快速发展,神经网络特别是BP(Back Propagation)神经网络因其强大的非线性映射能力,在预测领域得到了广泛应用。然而,BP神经网络也存在易陷入局部最优、收敛速度慢等问题。为了克服这些缺点,本文将介绍一种基于人工蜂群算法(Artificial Bee Colony Algorithm, ABC)优化BP神经网络的数据预测方法,即ABC-BP模型。

一、ABC-BP算法概述

       1.ABC人工蜂群算法

       人工蜂群算法是一种受蜜蜂觅食行为启发的群体智能算法。蜜蜂在寻找食物源时,通过侦察蜂、雇佣蜂和跟随蜂的协同工作,实现全局最优解的搜索。ABC算法通过模拟这一过程,实现复杂优化问题的求解。ABC算法主要包括以下步骤:生成一组初始的神经网络权重作为“食物源”位置。蜜蜂(代表神经网络的解决方案)通过评估函数(如分类准确度或预测误差)来搜索最优解。工蜂(其他解决问题的个体)共享它们发现的好食物源,更新整个群体的最佳解。根据工蜂的数量和食物源的质量,采用一定的概率规则选择下一个解决方案。ABC算法具有分布式、并行性和自适应性的特点,能够有效避免局部最优解,提高搜索效率。

       2.BP神经网络(BP)

       BP神经网络是一种具有三层或三层以上的多层神经网络,包括输入层、隐含层和输出层。每一层都由若干个神经元组成,神经元之间通过加权和的方式传递信号,并经过激活函数进行非线性变换。BP神经网络的训练过程包括前向传播和反向传播两个阶段。在前向传播阶段,输入信号从输入层逐层传递到输出层;在反向传播阶段,根据输出误差调整各层之间的连接权重,使误差逐步减小。

       3.SSA算法

       SSA算法流程如下:

     (1)初始化:确定种群规模(蜜蜂总数)、最大迭代次数、控制参数“limit”(同一蜜源被限定开采的次数)等。随机生成初始蜜源(问题的可行解),并计算每个蜜源的适应度(即蜜量大小)。

     (2)引领蜂阶段:每个引领蜂在其对应的蜜源附近进行局部搜索,寻找新的蜜源(即新的解)。计算新蜜源的适应度,并与原蜜源进行比较。如果新蜜源的适应度优于原蜜源,则替换原蜜源;否则,原蜜源的开采次数加1。

     (3)跟随蜂阶段:跟随蜂根据引领蜂分享的蜜源信息(通过某种概率机制,如轮盘赌方式)选择合适的蜜源。在选定的蜜源附近进行局部搜索,生成新解并计算其适应度。同样地,根据贪婪选择机制保留较优的解。

     (4)侦查蜂阶段:检查每个蜜源的开采次数是否达到“limit”。如果某个蜜源的开采次数超过“limit”,则认为该蜜源已经陷入局部最优,对应的引领蜂转变为侦查蜂。侦查蜂在全局范围内随机生成新的蜜源,替代原来的蜜源,以增加算法跳出局部最优的能力。

     (5)记忆最佳蜜源:在每次迭代过程中,记录并更新迄今为止找到的最佳蜜源(即最优解)。

     (6)判断终止条件:检查是否达到最大迭代次数或其他预设的终止条件。如果满足终止条件,则输出最佳蜜源作为优化问题的解;否则,返回步骤2继续迭代。

     (7)输出结果:输出算法找到的最优解及其适应度值。

二、实验步骤

      SSA-BP神经网络回归预测步骤:

     1.数据清洗:去除缺失值和异常值。

     2.特征选择:根据相关性分析选择对预测结果影响显著的特征。

     3.数据归一化:将特征值缩放到同一量纲,提高训练效率。

     4.确定BP神经网络结构:首先,根据问题的需求确定BP神经网络的输入层、隐藏层和输出层的节点数,以及隐藏层的层数。

     5.初始化BP神经网络参数:随机初始化BP神经网络的权重和偏置。这些参数将作为ABC优化过程中的搜索变量。

     6.定义适应度函数:使用训练数据集训练BP神经网络,并计算网络输出与实际输出之间的误差(如均方误差MSE)作为适应度函数。适应度值越小,表示神经网络的预测性能越好。

     7.ABC算法优化:利用ABC算法对BP神经网络的权重和阈值进行优化,最小化网络输出与真实值之间的均方误差(MSE)。

     8.迭代:重复执行适应度评估、分类和位置更新的过程,直到达到最大迭代次数或满足其他停止条件。

     9.输出最优BP神经网络:在SSA优化过程结束后,选择适应度值最小的麻雀(即最优的BP神经网络权重和偏置)作为最终的网络参数。

    10.测试与评估:使用测试数据集评估优化后的BP神经网络的预测性能,并与其他优化算法进行比较。

代码部分

import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
import torch
import torch.nn as nn
from sklearn.preprocessing import MinMaxScaler
from sklearn.metrics import mean_squared_error, r2_score, mean_absolute_error
import torch.optim as optim
import matplotlib

# 设备配置
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
matplotlib.rcParams['font.sans-serif'] = ['SimHei']
matplotlib.rcParams['axes.unicode_minus'] = False

# 导入数据
data = pd.read_csv('数据集.csv').values

# 划分训练集和测试集
np.random.seed(0)
temp = np.random.permutation(len(data))

P_train = data[temp[:80], :7]
T_train = data[temp[:80], 7]
P_test = data[temp[80:], :7]
T_test = data[temp[80:], 7]

# 数据归一化
scaler_input = MinMaxScaler(feature_range=(0, 1))
scaler_output = MinMaxScaler(feature_range=(0, 1))

p_train = scaler_input.fit_transform(P_train)
p_test = scaler_input.transform(P_test)

t_train = scaler_output.fit_transform(T_train.reshape(-1, 1)).ravel()
t_test = scaler_output.transform(T_test.reshape(-1, 1)).ravel()

# 转换为 PyTorch 张量
p_train = torch.tensor(p_train, dtype=torch.float32).to(device)
t_train = torch.tensor(t_train, dtype=torch.float32).view(-1, 1).to(device)
p_test = torch.tensor(p_test, dtype=torch.float32).to(device)
t_test = torch.tensor(t_test, dtype=torch.float32).view(-1, 1).to(device)

# 定义神经网络
class NeuralNet(nn.Module):
    def __init__(self, input_size, hidden_size, output_size):
        super(NeuralNet, self).__init__()
        self.fc1 = nn.Linear(input_size, hidden_size)
        self.relu = nn.ReLU()
        self.fc2 = nn.Linear(hidden_size, output_size)

    def forward(self, x):
        out = self.fc1(x)
        out = self.relu(out)
        out = self.fc2(out)
        return out

# 实例化模型
input_size = 7
hidden_size = 14
output_size = 1
model = NeuralNet(input_size, hidden_size, output_size).to(device)
criterion = nn.MSELoss()

class ArtificialBeeColony:
    def __init__(self, bee_count, max_iter, limit, search_space, input_size, hidden_size, output_size, device):
        self.bee_count = bee_count
        self.max_iter = max_iter
        self.limit = limit
        self.search_space = search_space
        self.input_size = input_size
        self.hidden_size = hidden_size
        self.output_size = output_size
        self.device = device
        self.network_structure = NeuralNet(self.input_size, self.hidden_size, self.output_size).to(self.device)
        self.population = self.initialize_population()
        self.fitness = np.zeros(self.bee_count)
        self.trial = np.zeros(self.bee_count)
        self.best_solution = None
        self.best_fitness = float('inf')

    def initialize_population(self):
        population = []
        for _ in range(self.bee_count):
            weights_biases = []
            for param in self.network_structure.parameters():
                weights_biases.append(
                    torch.rand(param.shape, device=self.device) * (self.search_space[1] - self.search_space[0]) + self.search_space[0])
            population.append(weights_biases)
        return population

    def evaluate_fitness(self, network, data, target):
        network.eval()  # Ensure the model is in evaluation mode
        data = data.to(self.device)
        target = target.to(self.device)
        with torch.no_grad():
            output = network(data)
        loss = criterion(output, target)
        return loss.item()

四、实验与结果

     1.数据准备

      为了验证ABC优化BP神经网络的有效性,本文采用如下数据集进行实验。下面所示本次采用的数据集(部分)。

     2.结果分析

     实验结果表明,采用基于ABC优化BP神经网络的预测模型与传统BP神经网络模型进行对比分析。实验结果表明,ABC-BP模型在准确率、鲁棒性和收敛速度方面均优于传统BP神经网络模型。

   (1) 训练集预测值和真实值对比结果   

     (2) 测试集预测值和真实值对比结果  

      (3) 训练集线性回归图  

     (4) 测试集线性回归图   

     (5) 其他性能计算和新数据预测  

五、结论

      本文介绍了基于ABC优化BP神经网络进行数据预测的方法。通过结合ABC的全局搜索能力和BP神经网络的非线性映射能力,可以有效提高模型的预测精度。实际应用中,可根据具体问题调整ABC和BP神经网络的参数,以达到最佳预测效果。

标签:ABC,蜜源,Python,self,神经网络,BP,size
From: https://blog.csdn.net/2301_80449389/article/details/141899063

相关文章

  • 【Python篇】详细学习 pandas 和 xlrd:从零开始
    文章目录详细学习`pandas`和`xlrd`:从零开始前言一、环境准备和安装1.1安装`pandas`和`xlrd`1.2验证安装二、`pandas`和`xlrd`的基础概念2.1什么是`pandas`?2.2什么是`xlrd`?三、使用`pandas`读取Excel文件3.1读取Excel文件的基础方法代码示例:读取......
  • 【Python玩转GIS数据】专栏内容介绍
    文章目录专栏亮点......
  • python从入门到成神的系列教程(文末附20G资料)
    根据您的需求,我会对每个类目进行一些补充和详细说明。1、字面量字面量是直接在代码中书写的固定值,例如数值、字符串、布尔值等。在Python中,字面量可以直接出现在代码中,不需要额外的构造函数或者类型声明。常用数据类型类型描述示例数字(Number)包括整数、浮点数、复数-整......
  • 20240907_051745 python 正则表达式 常见元字符
    •.:匹配任意单个字符•\d:匹配数字(等价于[0-9])•\w:匹配字母、数字、下划线(等价于[a-zA-Z0-9_])•\s:匹配空格、制表符、换行符等空白字符•^:匹配开头•$:匹配结尾•*:匹配前面的字符零次或多次•+:匹配前面的字符一次或多次•?:匹配前面的字符零次或一次•[]:匹配方括......
  • 20240907_061745 python 正则表达式 re.match方法
    情况一从头匹配匹配成功的数据可以通过匹配的对象的group()方法获取关注一下匹配不成功的情况情况二从中间匹配......
  • python-pptx将多个ppt文件按照给定模板ppt格式整合
    frompptximportPresentationfrompptx.enum.shapesimportMSO_SHAPE_TYPEpr=Presentation('周彤.pptx')forslideinpr.slides:forshapeinslide.shapes:ifshape.shape_type==MSO_SHAPE_TYPE.TEXT_BOX:print(shape.text_frame.font.name,end='......
  • python 注释符
    python注释符4、注释1、单行注释单行注释用于解释代码中的一行或一小段代码。在Python中,单行注释以#开头,后面的内容都是注释。单行注释可以放在代码的任何位置,但通常放在代码行的上方或旁边。单行注释不会影响代码的执行,Python解释器会忽略它们。单行注释是临时性的......
  • 前端工具Webpack和Vite对比分析和选型
    Webpack和Vite都是现代前端开发中广泛使用的构建工具,它们在功能、性能、开发体验以及应用场景等方面存在一定的差异。以下是对Webpack和Vite的对比分析:1.构建速度Webpack:Webpack在构建过程中会将所有模块打包成一个或多个bundle文件,这个过程可能会相对较慢,特别是在大型项目......
  • python操作kafka
    一、参考阿里云的官方链接:        使用PythonSDK接入Kafka收发消息_云消息队列Kafka版(Kafka)-阿里云帮助中心二、安装python环境  三、添加python依赖库pipinstallconfluent-kafka==1.9.2四、新建一个setting.py文件配置信息kafka_setting={'sas......
  • python利用深度学习(Keras)进行癫痫分类
    一、癫痫介绍        癫痫,即俗称“羊癫风”,是由多种病因引起的慢性脑功能障碍综合症,是仅次于脑血管病的第二大脑部疾病。癫痫发作的直接原因是脑部神经元反复地突发性过度放电所导致的间歇性中枢神经系统功能失调。临床上常表现为突然意识丧失、全身抽搐以及精神异常......