麻雀搜索算法优化CNN在Matlab中实现数据回归预测，CNN预测模型如何？

本文共计643个文字，预计阅读时间需要3分钟。

SSA是一种模拟麻雀捕食与反捕食行为的新型智能优化算法，包括发现者、跟随者和间谍者。种群中适应性较好的发现者将在搜索过程中最先收集到食物。

1 简介

SSA是一种模仿麻雀捕猎与反捕猎动作的新型智能优化算法，种群成员包括发现者、跟随者和侦察者。种群中适应度较好的发现者将会在搜寻过程中最先收集到食物；有一部分跟随者始终监视发现者，若有跟随者发现种群中有麻雀已经找到更好的食物，这部分跟随者会立即去争夺食物；若负责侦察的麻雀一直处在当前的最优预测位置上，那么只需逃离到当前区域周围的某个地方；若侦察的麻雀并不处在当前最优预测位置上，则寻找当前最优预测区域周围的地方停靠。

2 部分代码

​​function [FoodFitness,FoodPosition,Convergence_curve]=SSA(N,Max_iter,lb,ub,dim,fobj)​​​​if size(ub,1)==1​​​​ ub=ones(dim,1)*ub;​​​​ lb=ones(dim,1)*lb;​​​​end​​​​Convergence_curve = zeros(1,Max_iter);​​​​%Initialize the positions of salps​​​​SalpPositions=initialization(N,dim,ub,lb);​​​​FoodPosition=zeros(1,dim);​​​​FoodFitness=inf;​​​​%calculate the fitness of initial salps​​​​for i=1:size(SalpPositions,1)​​​​ SalpFitness(1,i)=fobj(SalpPositions(i,:));​​​​end​​​​[sorted_salps_fitness,sorted_indexes]=sort(SalpFitness);​​​​for newindex=1:N​​​​ Sorted_salps(newindex,:)=SalpPositions(sorted_indexes(newindex),:);​​​​end​​​​FoodPosition=Sorted_salps(1,:);​​​​FoodFitness=sorted_salps_fitness(1);​​​​%Main loop​​​​l=2; % start from the second iteration since the first iteration was dedicated to calculating the fitness of salps​​​​while l<Max_iter+1​​​​ c1=2*exp(-(4*l/Max_iter)^2);%Eq.(3.2)inthepaper​​​​ fori=1:size(SalpPositions,1)​​​​ SalpPositions=SalpPositions';​​​​ ifi<=N/2​​​​ forj=1:1:dim​​​​ c2=rand();​​​​ c3=rand();​​​​ %%%%%%%%%%%%% %Eq.(3.1)inthepaper%%%%%%%%%%%%%%​​​​ ifc3<0.5​​​​ SalpPositions(j,i)=FoodPosition(j)+c1*((ub(j)-lb(j))*c2+lb(j));​​​​ else​​​​ SalpPositions(j,i)=FoodPosition(j)-c1*((ub(j)-lb(j))*c2+lb(j));​​​​ end​​​​ %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%​​​​ end​​​​ elseifi>N/2 && i<N+1​​​​ point1=SalpPositions(:,i-1);​​​​ point2=SalpPositions(:,i);​​​​ SalpPositions(:,i)=(point2+point1)/2;% %Eq.(3.4)inthepaper​​​​ end​​​​ SalpPositions=SalpPositions';​​​​ end​​​​ fori=1:size(SalpPositions,1)​​​​ Tp=SalpPositions(i,:)>ub';Tm=SalpPositions(i,:)<lb';SalpPositions(i,:)=(SalpPositions(i,:).*(~(Tp+Tm)))+ub'.*Tp+lb'.*Tm;​​​​ SalpFitness(1,i)=fobj(SalpPositions(i,:));​​​​ ifSalpFitness(1,i)<FoodFitness​​​​ FoodPosition=SalpPositions(i,:);​​​​ FoodFitness=SalpFitness(1,i);​​​​ end​​​​ end​​​​ Convergence_curve(l)=FoodFitness;​​​​ l=l+1;​​​​end​​

3 仿真结果

4 参考文献

[1]陈彩虹,王诚. 基于CNN深度算法改进及故障预测研究[J]. 计算机技术与发展, 2020, 30(10):6.

博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，相关matlab代码问题可私信交流。

部分理论引用网络文献，若有侵权联系博主删除。

​