pso优化BP的MATLAB代码

function psobp 
% BP neural network trained by PSO algorithm
% Copyright by Deng Da-Peng @ 2005
% Email: rexdeng@163.com
% You can change and distribute this code freely for academic usage
% Business usage is strictly prohibited
clc
clear all

AllSamIn=...; % Add your all input data
AllSamOut-...; % Add your all output data 

% Pre-processing data with premnmx you can use other functions
global minAllSamOut;
global maxAllSamOut;
[AllSamInnminAllSamInmaxAllSamInAllSamOutnminAllSamOutmaxAllSamOut] = premnmx（AllSamInAllSamOut）;
% draw 10 percent from all samples as testing samples，the rest as training samples
i=[10:10:1000];
TestSamIn=[];
TestSamOut=[];
for j=1:100
TestSamIn=[TestSamInAllSamInn（:i（j））]; 
TestSamOut=[TestSamOutAllSamOutn（:i（j））];
end
TargetOfTestSam=...; % add reall output of testing samples
TrainSamIn=AllSamInn;
TrainSamOut=AllSamOutn;
TrainSamIn（:i）=[];
TrainSamOut（:i）=[];
% Evaluating Sample
EvaSamIn=...
EvaSamInn=tramnmx（EvaSamInminAllSamInmaxAllSamIn）; % preprocessing

global Ptrain;
Ptrain = TrainSamIn;
global Ttrain;
Ttrain = TrainSamOut;

Ptest = TestSamIn;
Ttest = TestSamOut;

% Initialize BPN parameters
global indim;
indim=5;
global hiddennum;
hiddennum=3;
global outdim;
outdim=1;

% Initialize PSO parameters
vmax=0.5; % Maximum velocity
minerr=0.001; % Minimum error
wmax=0.90;
wmin=0.30;
global itmax; %Maximum iteration number
itmax=300;
c1=2;
c2=2;
for iter=1:itmax
W（iter）=wmax-（（wmax-wmin）/itmax）*iter; % weight declining linearly
end 
% particles are initialized between （ab） randomly
a=-1; 
b=1;
%Between （mn） （which can also be started from zero）
m=-1;
n=1;
global N; % number of particles
N=40;
global D; % length of particle
D=（indim+1）*hiddennum+（hiddennum+1）*outdim;
% Initialize positions of particles
rand（‘state‘sum（100*clock））;
X=a+（b-a）*rand（ND1）;
%Initialize velocities of particles
V=m+（n-m）*rand（ND1）;

global fvrec;
MinFit=[];
BestFit=[];

%Function to be minimized performance functioni.e.mse of net work
global net;
net=newff（minmax（Ptrain）[hiddennumoutdim]{‘tansig‘‘purelin‘}）;
fitness=fitcal（XnetindimhiddennumoutdimDPtrainTtrainminAllSamOutmaxAllSamOut）;
fvrec（:11）=fitness（:11）;
[CI]=min（fitness（:11））;
MinFit=[MinFit C];
BestFit=[BestFit C];
L（:11）=fitness（:11）; %record the fitness of particle of every iterations
B（111）=C; %record the minimum fitness of particle
gbest（1:1）=X（I:1）; %the global best x in population

%Matrix composed of gbest vector 
for p=1:N 
G（p:1）=gbest（1:1）;
end
for i=1:N;
pbest（i:1）=X（i:1）;
end
V（::2）=W（1）*V（::1）+c1*rand*（pbest（::1）-X（::1））+c2*rand*（G（::1）-X（::1））;
%V（::2）=cf*（W（1）*V（::1）+c1*rand*（pbest（::1）-X（::1））+c2*rand*（G（::1）-X（::1）））;
%V（::2）=cf*（V（::1）+c1*rand*（pbest（::1）-X（::1））+c2*rand*（G（::1）-X（::1）））;
% limits velocity of particles by vmax
for ni=1:N
for di=1:D
if V（nidi2）>vmax