• 【负荷预测】基于蚂蚁优化算法的BP神经网络在负荷预测中的应用研究（Matlab完整代码实现）

    目录

    0 知识回顾

    1 ACO-BP算法

    2 ACO-BP算法基本思路

    3 具体步骤

    4 Matlab代码实现

    5 运行结果

    6 参考文献 

    7 写在最后 

    0 知识回顾

    智能优化算法—蚁群算法（Python实现）

    1 ACO-BP算法


    传统的BP神经网络训练采用的是误差反向传播学习算法,它的优化目标函数相对复杂,较容易出现陷人局部最优、收敛速度慢等问题[6]。由于BP神经网络的训练算法实质上是对其网络权值和阈值进行迭代调整,因此用蚁群优化算法替代BP算法完成对神经网络权阈值的迭代调整,并最终完成神经网络的训练。

    2 ACO-BP算法基本思路


    蚁群算法解决优化问题的基本思路为:用蚂蚁的行走路径表示待优化问题的可行解,整个蚂蚁群体的所有路径构成待优化问题的解空间。路径较短的蚂蚁释放较多的信息素。经过一定时间,信息素浓度在较短的路径上累计较高,所有选择此路径的蚂蚁也逐渐增多,最终,整个蚁群会在正反馈的作用下集中在最佳路径上,此时对应的便是待优化问题的最优解。
    首先根据权值和阈值的取值池间,将的E义以刘你以S个等长区间,即每个区间的长度被作s等分,将区间的临界值或选择区间中的随机值作为候选值。确定参数个数n,包括网络中所有的权阈值。每个参数Pi(i=1,2,…,n)对应个有S个元素的集合l, ,这些元素为Pi的可能取值。

    3 具体步骤


    1）参数初始化:将所有权值和阈值进行S等分,所有区间初始信息素О,信息素残留系教入,1后尽系代i,前区间信息表为Tabu,最大迭代次数C,网络全局误差E，最大学习次数N;
    2)权值和阈值选择:蚁群m只蚂蚁,对于蚂蚁k依据概率公式(2)的寻路规则进行选择节点所在区间,蚁群迭代一次则完成一次解的构造:

                

    式中\tau _{j}(I_{pi})为集合I_{pi}中第j个元素的信息素值;
    3）蚁群寻优判断:蚁群迭代一次得到的构造解,则是当前迭代后得到误差最小的一组解,计算误差Ec ,判断是否达到蚁群要求,若是则转到4),否则转到5);
    4)网络训练:将蚁群迭代得到的最优构造解,作为初始权值和阈值,选取数据集对网络进行训练,直到满足结束条件即最大学习次数,完成学习。否则,继续学习;
    5）更新信息素:根据式(3)、式( 4)、式(5)对所有区间信息素全局更新,并重置信息表:

                  

    6)蚁群遍历:重复步骤2)到步骤3)。其算法如图1所示。
               

                                    图1 ACO-BP算法流程图

    4 Matlab代码实现

    主函数

    1. %% 清空环境变量
    2. clc
    3. clear
    4. close all
    5. format compact 
    6. %% 网络结构建立
    7. %% 清空环境变量
    8. clc
    9. clear
    10. close all
    11. format compact 
    12. %% 网络结构建立
    13. %读取数据
    14. data=xlsread('天气_电量_数据.xlsx','C12:J70');%前7列为每个时刻的发电量 最后列为天气
    15.  
    16. for i=1:58
    17.     input(i,:)=[data(i,:) data(i+1,end)];
    18.     output(i,:)=data(i+1,1:7);
    19. end
    20.  
    21. %% 节点个数
    22. inputnum=9;%输入 前一天7个时刻的电量+前一天的天气+预测日的天气
    23. hiddennum=5;
    24. outputnum=7;%预测日7个时刻的发电量
    25.  
    26. %% 训练数据和预测数据 最后一天用来测试  前面的都拿来训练
    27. input_train=input(1:57,:)';
    28. input_test=input(58,:)';
    29. output_train=output(1:57,:)';
    30. output_test=output(58,:)';
    31.  
    32. %选连样本输入输出数据归一化
    33. [inputn,inputps]=mapminmax(input_train);
    34. [outputn,outputps]=mapminmax(output_train);
    35. inputn_test=mapminmax('apply',input_test,inputps);
    36. %%
    37. %构建网络
    38. net=newff(inputn,outputn,hiddennum);
    39. %寻优
    40. [bestnest,trace]=antforelm(inputnum,hiddennum,outputnum,net,inputn,outputn);
    41. figure
    42. plot(trace)
    43. title('适应度曲线')
    44. xlabel('迭代数')
    45. ylabel('适应度值')
    46.  
    47.  
    48. %% 把最优初始阀值权值赋予网络预测
    49. x=bestnest;
    50. % 用CS优化的BP网络进行值预测
    51. w1=x(1:inputnum*hiddennum);
    52. B1=x(inputnum*hiddennum+1:inputnum*hiddennum+hiddennum);
    53. w2=x(inputnum*hiddennum+hiddennum+1:inputnum*hiddennum+hiddennum+hiddennum*outputnum);
    54. B2=x(inputnum*hiddennum+hiddennum+hiddennum*outputnum+1:inputnum*hiddennum+hiddennum+hiddennum*outputnum+outputnum);
    55.  
    56. net.iw{1,1}=reshape(w1,hiddennum,inputnum);
    57. net.lw{2,1}=reshape(w2,outputnum,hiddennum);
    58. net.b{1}=reshape(B1,hiddennum,1);
    59. net.b{2}=B2';
    61. %% BP网络训练
    62. %网络进化参数
    63. net.trainParam.epochs=200;
    64. net.trainParam.lr=0.1;
    65. %net.trainParam.goal=0.00001;
    67. %网络训练
    68. [net,per2]=train(net,inputn,outputn);
    70. %% BP网络预测
    71. %数据归一化
    72. inputn_test=mapminmax('apply',input_test,inputps);
    73. an=sim(net,inputn_test);
    74. test_simu=mapminmax('reverse',an,outputps);
    75. error=test_simu-output_test;
    76. %%
    77. figure
    78. a1=output_test;
    79. a2=test_simu;
    80. plot(a1,'*-');hold on
    81. plot(a2,'O-')
    82. title('各时刻发电量实际值与预测值')
    83. xlabel('')
    84. legend('原始数据','bp预测数据')
    85. set(gca,'XTick',1:7,...                                    
    86.         'XTickLabel',{'9:00','10:00','11:00','12:00','13:00','14:00','15:00'},...
    87.         'TickLength',[0 0]);
    88. grid on
    89. ylabel('发电量（KW）')
    1. %% You can replace the following by your own functions
    2.  
    3. function error = fun(x,inputnum,hiddennum,outputnum,net,inputn,outputn)
    4. %该函数用来计算适应度值
    5. %x          input     个体
    6. %inputnum   input     输入层节点数
    7. %outputnum  input     隐含层节点数
    8. %net        input     网络
    9. %inputn     input     训练输入数据
    10. %outputn    input     训练输出数据
    11. %error      output    个体适应度值
    12.  
    13. %提取
    14. w1=x(1:inputnum*hiddennum);
    15. B1=x(inputnum*hiddennum+1:inputnum*hiddennum+hiddennum);
    16. w2=x(inputnum*hiddennum+hiddennum+1:inputnum*hiddennum+hiddennum+hiddennum*outputnum);
    17. B2=x(inputnum*hiddennum+hiddennum+hiddennum*outputnum+1:inputnum*hiddennum+hiddennum+hiddennum*outputnum+outputnum);
    18.  
    19.  
    20. %网络进化参数
    21. net.trainParam.epochs=20;
    22. net.trainParam.lr=0.1;
    23. net.trainParam.goal=0.00001;
    24. net.trainParam.show=100;
    25. net.trainParam.showWindow=0;
    26.  
    27. %网络权值赋值
    28. net.iw{1,1}=reshape(w1,hiddennum,inputnum);
    29. net.lw{2,1}=reshape(w2,outputnum,hiddennum);
    30. net.b{1}=reshape(B1,hiddennum,1);
    31. net.b{2}=B2';
    33. % %网络训练
    34. % net=train(net,inputn,outputn);
    35. an=sim(net,inputn);
    36. % an-outputn
    37. error0=sum(abs(an-outputn));
    38. error=sum(error0);%以均方差作为适应度函数
    1. %% Replace some nests by constructing new solutions/nests
    2. function new_nest=empty_nests(nest,Lb,Ub,pa)
    3. % A fraction of worse nests are discovered with a probability pa
    4. n=size(nest,1);
    5. % Discovered or not -- a status vector
    6. K=rand(size(nest))>pa;
    7.  
    8. % In the real world, if a cuckoo's egg is very similar to a host's eggs, then 
    9. % this cuckoo's egg is less likely to be discovered, thus the fitness should 
    10. % be related to the difference in solutions.  Therefore, it is a good idea 
    11. % to do a random walk in a biased way with some random step sizes.  
    12. %% New solution by biased/selective random walks
    13. stepsize=rand*(nest(randperm(n),:)-nest(randperm(n),:));
    14. new_nest=nest+stepsize.*K;
    15. for j=1:size(new_nest,1)
    16.     s=new_nest(j,:);
    17.   new_nest(j,:)=simplebounds(s,Lb,Ub);  
    18. end
    1. function [y,trace]=antforelm(inputnum,hiddennum,outputnum,net,inputn_train,label_train);%蚁群算法%%%%%%%%%%%%%%%%%%%%蚁群算法求函数极值%%%%%%%%%%%%%%%%%%%%%%%
    2. %%%%%%%%%%%%%%%%%%%%%%%%%初始化%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
    3. m=5;                    %蚂蚁个数
    4. G_max=100;               %最大迭代次数
    5. Rho=0.5;                 %信息素蒸发系数
    6. P0=0.5;                  %转移概率常数
    7. XMAX= 1;                 %搜索变量x最大值
    8. XMIN=-1;                %搜索变量x最小值
    9. d=inputnum*hiddennum+hiddennum+hiddennum*outputnum+outputnum;    
    10. %%%%%%%%%%%%%%%%%随机设置蚂蚁初始位置%%%%%%%%%%%%%%%%%%%%%%
    11. for i=1:m
    12.     X(i,:)=(XMIN+(XMAX-XMIN).*rand(1,d));
    13.     Tau(i)=fun(X(i,:),inputnum,hiddennum,outputnum,net,inputn_train,label_train); 
    14. end
    15.  
    16. bestfitness=inf;
    17. bestfitness_position=inf*ones(1,d);
    18.  
    19. step=0.1;                %局部搜索步长
    20. for NC=1:G_max
    21.     NC
    22.     lamda=1/NC;
    23.     [Tau_best,BestIndex]=min(Tau);
    24.     %%%%%%%%%%%%%%%%%%计算状态转移概率%%%%%%%%%%%%%%%%%%%%
    25.     for i=1:m
    26.         P(NC,i)=(Tau(BestIndex)-Tau(i))/Tau(BestIndex);
    27.     end
    28.     %%%%%%%%%%%%%%%%%%%%%%位置更新%%%%%%%%%%%%%%%%%%%%%%%%
    29.     for i=1:m
    30.         fun_i=fun(X(i,:),inputnum,hiddennum,outputnum,net,inputn_train,label_train);
    31.            %%%%%%%%%%%%%%%%%局部搜索%%%%%%%%%%%%%%%%%%%%%%
    32.         if P(NC,i)<P0
    33.             temp1=X(i,:)+(rand(1,d))*step*lamda;
    34.            
    35.         else
    36.             %%%%%%%%%%%%%%%%全局搜索%%%%%%%%%%%%%%%%%%%%%%%
    37.              temp1=X(i,:)+(XMAX-XMIN)*(rand(1,d));
    38.         end
    39.         %%%%%%%%%%%%%%%%%%%%%边界处理%%%%%%%%%%%%%%%%%%%%%%%
    40.         for j=1:d
    41.             if temp1(j)<XMIN
    42.                 temp1(j)=rand;
    43.             end
    44.             if temp1(j)>XMAX
    45.                 temp1(j)=rand;
    46.             end
    47.         end
    48.         fun_temp=fun(temp1,inputnum,hiddennum,outputnum,net,inputn_train,label_train);
    49.         %%%%%%%%%%%%%%%%%%蚂蚁判断是否移动%%%%%%%%%%%%%%%%%%
    50.         if fun_temp
    51.             X(i,:)=temp1;
    52.             Tau(i)=fun_temp;
    53.         end
    54.     end
    55.     %%%%%%%%%%%%%%%%%%%%%%%更新信息素%%%%%%%%%%%%%%%%%%%%%%%
    56.     for i=1:m
    57.         Tau(i)=(1-Rho)*Tau(i)+Tau(i); 
    58.     end
    59.     [value,index]=min(Tau);
    60.     %%
    61.     if value
    62.         bestfitness=value;
    63.         bestfitness_position=X(index,:);
    64.     end
    65.     trace(NC)=bestfitness;  
    66.     
    67. end
    68. y=bestfitness_position;                           %最优变量
    69.

    5 运行结果

     

     

    6 参考文献 

    [1]陈智雨,陆金桂.基于ACO-BP神经网络的光伏系统发电功率预测[J].机械制造与自动化,2020,49(01):173-175+187.DOI:10.19344/j.cnki.issn1671-5276.2020.01.047.

    7 写在最后 

    部分理论引用网络文献，如有侵权请联系删除。

    %% 清空环境变量
    clc
    clear
    close all
    format compact 
    %% 网络结构建立
    %% 清空环境变量
    clc
    clear
    close all
    format compact 
    %% 网络结构建立
    %读取数据
    data=xlsread('天气_电量_数据.xlsx','C12:J70');%前7列为每个时刻的发电量 最后列为天气

    for i=1:58
        input(i,:)=[data(i,:) data(i+1,end)];
        output(i,:)=data(i+1,1:7);
    end

    %% 节点个数
    inputnum=9;%输入 前一天7个时刻的电量+前一天的天气+预测日的天气
    hiddennum=5;
    outputnum=7;%预测日7个时刻的发电量

    %% 训练数据和预测数据 最后一天用来测试  前面的都拿来训练
    input_train=input(1:57,:)';
    input_test=input(58,:)';
    output_train=output(1:57,:)';
    output_test=output(58,:)';

    %选连样本输入输出数据归一化
    [inputn,inputps]=mapminmax(input_train);
    [outputn,outputps]=mapminmax(output_train);
    inputn_test=mapminmax('apply',input_test,inputps);
    %%
    %构建网络
    net=newff(inputn,outputn,hiddennum);
    %寻优
    [bestnest,trace]=antforelm(inputnum,hiddennum,outputnum,net,inputn,outputn);
    figure
    plot(trace)
    title('适应度曲线')
    xlabel('迭代数')
    ylabel('适应度值')


    %% 把最优初始阀值权值赋予网络预测
    x=bestnest;
    % 用CS优化的BP网络进行值预测
    w1=x(1:inputnum*hiddennum);
    B1=x(inputnum*hiddennum+1:inputnum*hiddennum+hiddennum);
    w2=x(inputnum*hiddennum+hiddennum+1:inputnum*hiddennum+hiddennum+hiddennum*outputnum);
    B2=x(inputnum*hiddennum+hiddennum+hiddennum*outputnum+1:inputnum*hiddennum+hiddennum+hiddennum*outputnum+outputnum);

    net.iw{1,1}=reshape(w1,hiddennum,inputnum);
    net.lw{2,1}=reshape(w2,outputnum,hiddennum);
    net.b{1}=reshape(B1,hiddennum,1);
    net.b{2}=B2';

    %% BP网络训练
    %网络进化参数
    net.trainParam.epochs=200;
    net.trainParam.lr=0.1;
    %net.trainParam.goal=0.00001;

    %网络训练
    [net,per2]=train(net,inputn,outputn);

    %% BP网络预测
    %数据归一化
    inputn_test=mapminmax('apply',input_test,inputps);
    an=sim(net,inputn_test);
    test_simu=mapminmax('reverse',an,outputps);
    error=test_simu-output_test;
    %%
    figure
    a1=output_test;
    a2=test_simu;
    plot(a1,'*-');hold on
    plot(a2,'O-')
    title('各时刻发电量实际值与预测值')
    xlabel('')
    legend('原始数据','bp预测数据')
    set(gca,'XTick',1:7,...                                    
            'XTickLabel',{'9:00','10:00','11:00','12:00','13:00','14:00','15:00'},...
            'TickLength',[0 0]);
    grid on
    ylabel('发电量（KW）')
     

  • 相关阅读:
    华为云云耀云服务器L实例评测｜windows系统3389防爆破之安全加固教程
    axios 代理服务器转发 get post
    【kubelet 报错】Failed to activate service ‘org.freedesktop.systemd1‘: timed out
    印度证明离开中国制造，富士康将再没奇迹
    es字段查询加keyword和不加keyword的区别
    遭到全网嘲讽，宋丹丹这次被骂惨了...
    Excel往Word复制表格时删除空格
    华为云Stack首席架构师：打造“称手”的数字化工具，答好政企IT数字化转型这道必选题
    接口自动化和UI自动化的区别
    [架构之路-51]：架构师 - 用系统化、结构化思维解决复杂难搞的软件故障问题 - 马克思主义哲学在软件系统中的应用
  • 原文地址：https://blog.csdn.net/2201_75454341/article/details/128097523