2024年新算法-红嘴蓝鹊优化器(RBMO)优化BP神经网络回归预测

亮点：

输出多个评价指标：R2，RMSE，MSE，MAPE和MAE

满足需求，分开运行和对比的都有对应的主函数：main_BP, main_RBMO, main_BPvsBP_RBMO，并且详细中文注释

方便快捷：替换excel数据即可运行自己的数据集

出图丰富：不仅有预测结果对比，还有预测误差的可视化

一. 红嘴蓝鹊优化器（Red-billed blue magpie optimizer, RBMO)

摘要：数值优化、无人机(UAV)路径规划和工程设计问题是人工智能发展的基础。传统方法在处理这些复杂的非线性模型时显示出局限性。为了解决这些挑战，群智能算法作为一种元启发式方法被引入并得到有效实现。然而，现有技术存在收敛速度慢、精度低、鲁棒性差等缺点。受红嘴蓝喜鹊的协作高效捕食行为启发，提出一种新的元启发式算法——红嘴蓝喜鹊优化算法(RBMO)。通过模拟红嘴蓝鹊的搜索、追逐、攻击猎物和储存食物的行为，建立了RBMO的数学模型。为了验证RBMO的性能，首先通过收敛行为实验进行定性分析。使用CEC2014 (Dim = 10,30,50，和100)和CEC2017 (Dim = 10,30,50，和100)数据集验证了RBMO的数值优化能力，始终取得最好的弗里德曼均值排序。在无人机航迹规划应用中(二维和三维)，RBMO获得了较好的解，证明了其在解决NP-hard问题上的有效性。此外，在五个工程设计问题中，RBMO始终能产生最低成本，展示了其在实际解决问题中的优势。将实验结果与三类广泛认可的算法进行了比较:(1)先进的变体，(2)最近提出的算法，以及(3)高性能优化器，包括CEC获胜者算法。

参考文献：Red-billed blue magpie optimizer: a novel metaheuristic algorithm for 2D/3D UAV path planning and engineering design problems

Doi: 10.1007/s10462-024-10716-3

二、BP神经网络

在今天的数字化时代，BP神经网络（反向传播神经网络）成为了机器学习和人工智能领域的一项重要技术。这种网络模型通过模仿人脑的处理方式，能够学习并解决复杂的非线性问题，是许多现代AI应用的基础。BP神经网络通过其多层结构处理信息，每一层由多个神经元组成，神经元之间通过“权重”和“偏置”参数相连接。这些参数在网络的训练初期被随机初始化，以引入必要的随机性，帮助网络有效避开局部最优解，探索全局最优解。训练过程中，网络通过输入样本进行前向传播，计算输出误差，然后通过反向传播算法调整权重和偏置，逐步减少误差，优化模型性能。这一过程不断重复，直至网络达到预期的准确性。BP神经网络的强大功能使其在回归/分类、图像识别、语音处理、自然语言处理等多个领域得到广泛应用。随着技术的不断进步，BP神经网络仍将在智能化探索中扮演重要角色，推动科技创新的边界不断拓展。

三、RBMO-BP神经网络

在追求神经网络最优性能的过程中，参数优化扮演着核心角色。传统的梯度下降法虽广泛应用于网络训练，但在某些复杂的回归预测任务中，它们常受限于慢速收敛和陷入局部最优。引入基于红嘴蓝鹊方法的优化器（RBMO），我们提供了一种高效的替代方案，特别适合处理具有复杂数据问题。通过建立目标函数，对神经网络的权重和偏置进行优化，得到更好的模型。

四、实验结果

数据集使用的是波士顿房价数据集，可以直接替换数据运行自己的数据集：

点击mian_BP运行结果，并且输出评价指标R2，RMSE，MSE，MAPE和MAE：

点击main_RBMO运行结果如下，并且输出评价指标R2，RMSE，MSE，MAPE和MAE：

RBMO收敛曲线如下：

点击main_BPvsBP_RBMO运行结果，并且输出评价指标R2，RMSE，MSE，MAPE和MAE：

所有图片：

预测结果对比图：

预测误差对比图：

所有评价指标：

部分代码如下：

warning off             % 关闭报警信息
close all               % 关闭开启的图窗
clear                   % 清空变量
clc                     % 清空命令行%  导入数据
data = xlsread('回归预测_BostonHousing.xlsx');% 计算数据集行数和列数
[num_rows, num_columns] = size(data);%  划分训练集和测试集
temp = randperm(num_rows); % 打乱数据集
num_train = round(0.8*num_rows); % 百分之80作为训练集P_train = data(temp(1: num_train), 1: num_columns-1)';
T_train = data(temp(1: num_train), num_columns)';
M = size(P_train, 2);P_test = data(temp(num_train: end), 1: num_columns-1)';
T_test = data(temp(num_train: end), num_columns)';
N = size(P_test, 2);%  数据归一化
[p_train, ps_input] = mapminmax(P_train, 0, 1);
p_test = mapminmax('apply', P_test, ps_input);[t_train, ps_output] = mapminmax(T_train, 0, 1);
t_test = mapminmax('apply', T_test, ps_output);%  节点个数
inputnum  = size(p_train, 1);  % 输入层节点数
hiddennum = 5;                 % 隐藏层节点数
outputnum = size(t_train,1);   % 输出层节点数%  建立网络
net = newff(p_train, t_train, hiddennum);%  设置训练参数
net.trainParam.epochs     = 1000;      % 训练次数
net.trainParam.goal       = 1e-6;      % 目标误差
net.trainParam.lr         = 0.01;      % 学习率
net.trainParam.showWindow = 0;         % 关闭窗口