**算法简介:**未来搜索算法(Future search algorithm,FSA)是M. Elsisi于通过模仿人类向往美好生活而提出的一种新颖搜索算法。该算法通过建立数学模型模拟人与人之间最优生活(局部搜索)和历史最优生活(全局搜索)来获得最优解。与其他算法相比,FSA具有调节参数少、收敛速度快、寻优能力强等优点。FSA数学描述参见文献[1]。
**代码说明:**本代码利用未来搜索算法(Future search algorithm,FSA)优化BP神经网络权值和阈值,建立FSA-BP预测模型,利用经小波包分解的云南省某水文站月降水数据分量对模型进行实验(前260组数据作为训练样本,后60组数据作为预测样本),预测结果与基本BP模型作对比。
**FSA-BP模型参数设置:**FSA最大迭代次数为100,种群规模50,其他参数采用FSA默认值;BP隐含层节点数设置为4,隐含层传递函数、输出层传递函数、训练函数分别采用tansig、purelin、traingdx,设定期望误差为0.0001,最大训练轮回均设置为1000次,数据采用[-1,1]进行归一化处理。
**BP模型参数设置:**为在公平条件下对比验证FSA-BP模型,BP参数设置同FSA-BP模型。
预测结果:FSA-BP模型平均相对百分比误差(MAPE)0.26%;BP模型平均相对百分比误差(MAPE)1.28%,精度提高79.7%,FSA-BP模型具有较好的预测精度,见图2、图3。
上述代码下载地址
链接:/o/cdw_cw
参考文献:
[1]郭存文,崔东文. PCA-FSA-MLR模型及在径流预测中的应用研究[J]. 人民珠江, , 42(6): 91-98.