pso优化bp神经网络代码

%% 该代码为基于PSO和BP网络的预测
%
%% 清空环境
clc
clear

%读取数据
% load maydata input output
data=xlsread（‘E:\数据处理\useful1.xlsx‘‘test1‘‘a2:i701‘）;
input=data（:1:8）;
output =data（:8）; 

%从1到326间随机排序
 k=rand（1700）;
[mn]=sort（k）;

%节点个数
inputnum=8;
hiddennum=5;
outputnum=1;

%训练数据和预测数据
% input_train=input（1:299:）‘;
% input_test=input（300:326:）‘;
% output_train=output（1:299）‘;
% output_test=output（300:326）‘;

input_train=input（n（1:624）:）‘;
output_train=output（n（1:624）:）‘;
input_test=input（n（625:700）:）‘;
output_test=output（n（625:700）:）‘; 
input_test1=input（651:700:）‘;


%选连样本输入输出数据归一化
[inputninputps]=mapminmax（input_train）;
[outputnoutputps]=mapminmax（output_train）;

%构建网络
net=newff（inputnoutputnhiddennum）;
netBP=newff（inputnoutputnhiddennum）;

% 参数初始化
%粒子群算法中的两个参数
c1 = 1.49445;   %个体学习因子
c2 = 1.49445;   %社会学习因子

maxgen=50;   % 进化次数  
sizepop=10;   %种群规模

Vmax=1;   %设置精度（在已知最小值时候用）
Vmin=-1;
popmax=5;
popmin=-5;

parnum = inputnum * hiddennum + hiddennum * outputnum + hiddennum + outputnum; %51
for i=1:sizepop         %初始化种群个数
    pop（i:）=5*rands（1parnum）;
    V（i:）=rands（1parnum）;
    fitness（i）=fun1（pop（i:）inputnumhiddennumoutputnumnetinputnoutputn）;
end


% 个体极值和群体极值
[bestfitness bestindex]=min（fitness）;
zbest=pop（bestindex:）;   %全局最佳
gbest=pop;    %个体最佳
fitnessgbest=fitness;   %个体最佳适应度值
fitnesszbest=bestfitness;   %全局最佳适应度值

%% 迭代寻优
for i=1:maxgen
    i
    
    for j=1:sizepop
        
        %速度更新
        V（j:） = V（j:） + c1*rand*（gbest（j:） - pop（j:）） + c2*rand*（zbest - pop（j:））;
        V（jfind（V（j:）>Vmax））=Vmax;
        V（jfind（V（j:）        
        %种群更新
        pop（j:）=pop（j:）+0.2*V（j:）;
        pop（jfind（pop（j:）>popmax））=popmax;
        pop（jfind（pop（j:）        
        %自适应变异
        pos=unidrnd（21）;
        if rand>0.95
            pop（jpos）=5*rands（11）;
        end
      
        %适应度值
        fitness（j）=fun1（pop（j:）inputnumhiddennumoutputnumnetinputnoutputn）;
    end
    
    for j=1:sizepop
    %个体最优更新
    if fitness（j） < fitnessgbest（j）
        gbest（j:） = pop（j:）;
        fitnessgbest（j） = fitness（j）;
    end
    
    %群体最优更新 
    if fitness（j） < fitnesszbest
        zbest = pop（j:）;
        fitnesszbest = fitness（j）;
    end
    
    end
    
    yy（i）=fitnesszbest;    
        
end

%% 结果分析
plot（yy）
title（[‘适应度曲线  ‘ ‘终止代数＝‘ num2str（maxgen）]）;
xlabel（‘进化代数‘）;ylabel（‘适应度‘）;

x=zbest;
%% 把最优初始阀值权值赋予网络预测
% %用遗传算法优化的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+hidd