基于ASO-BP原子探索优化BP神经网络实现数据预测Python实现

news2024/11/15 7:10:03

本文提出了一种基于ASO算法优化BP神经网络的数据预测方法。通过ASO算法对BP神经网络的权值和阈值进行优化，克服了BP神经网络易陷入局部最优解和对初始权值敏感的缺点。实验结果表明，优化后的BP神经网络在预测精度上得到了显著提升，为数据预测领域提供了一种新的有效方法。

一、ASO-BP算法概述

1.ASO原子探索算法

原子搜索算法（ASO）是一种受微观分子动力学启发的智能优化算法，于2019年提出。在ASO中，每个原子在搜索空间中的位置代表一个与原子质量相对应的解，较好的解表示较重的质量。种群中的所有原子会根据彼此之间的距离相互吸引或排斥，且较轻的原子会向较重的原子移动。通过计算Lennard-Jones势能，并利用加速度与速度随距离的关系来更新原子的位置，ASO算法能够有效地求解优化问题。

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.ASO-BP神经网络回归预测方法

ASO-BP神经网络回归预测方法的基本思路如下：

（1）初始化：初始化BP神经网络的权重和偏置。初始化原子的位置（即神经网络的参数）。

（2）适应度函数：使用BP神经网络在训练集上进行训练，并计算验证集上的误差（如均方误差MSE）作为适应度值。

（3）速度和位置更新：根据原子之间的距离计算势能。根据势能和物理规律更新原子的速度和加速度。根据速度和加速度更新原子的位置，即更新BP神经网络的权值和阈值。

（4）迭代：重复上述步骤，直到达到最大迭代次数或满足其他停止条件。

（5）结果输出：使用最优原子的权重和阈值（即最优参数集）的BP神经网络进行预测。

二、实验步骤

ASO-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.定义BP神经网络结构：确定输入层、隐藏层（数量、神经元数）、输出层的结构。

5.初始化：设置ASO参数，包括初始种群规模、最大进化代数、自变量个数（即BP神经网络的权值和阈值总数）、自变量上下限等。

6.评估适应度：使用训练集数据训练BP神经网络，并计算训练集和测试集的均方误差作为适应度值。适应度值越小，表示解的质量越好。

7.更新原子位置：根据原子之间的距离计算势能。根据势能和物理规律更新原子的速度和加速度。根据速度和加速度更新原子的位置，即更新BP神经网络的权值和阈值。

8.迭代优化重复步骤6和7，直到达到最大进化代数或满足其他停止条件。

9.模型评估：在训练完成后，评估模型在训练集和测试集上的性能，使用不同的指标（如R²、MAE、MBE、RMSE、MAPE）。

10.结果可视化：绘制训练集和测试集的预测值与真实值的对比图。

三、代码部分

import numpy as np
import pandas as pd
import torch
import torch.nn as nn
from sklearn.preprocessing import MinMaxScaler
import torch.optim as optim
import matplotlib
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)

# 初始化网络
class BPNetwork(nn.Module):
    def __init__(self, input_size, hidden_size, output_size):
        super(BPNetwork, self).__init__()
        self.hidden = nn.Linear(input_size, hidden_size)
        self.relu = nn.ReLU()
        self.output = nn.Linear(hidden_size, output_size)

    def forward(self, x):
        x = self.relu(self.hidden(x))
        x = self.output(x)
        return x


input_size = p_train.shape[1]
hidden_size = 11
output_size = t_train.shape[1]

bp_net = BPNetwork(input_size, hidden_size, output_size).to(device)

# 损失函数
criterion = nn.MSELoss()

# 定义适应度函数（误差函数）
def fitness_function(network, data, target):
    network.eval()
    with torch.no_grad():
        output = network(data)
        loss_fn = nn.MSELoss()
        loss = loss_fn(output, target)
    return loss.item()