2024年新算法-鹦鹉优化器(PO)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_PO, main_BPvsBP_PO，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、鹦鹉优化器（Parrot optimizer, PO)

摘要：随机优化方法作为一种有效的优化方法，在解决复杂优化问题中发挥着重要作用。本文介绍了鹦鹉优化器(PO)，一种有效的优化方法，其灵感来自经过训练的Pyrrhura Molinae鹦鹉的关键行为。通过定性分析和综合实验，展示了Parrot优化器在处理各种优化问题时的独特特性。性能评估包括在35个函数上对提出的PO进行基准测试，包括IEEE CEC 2022测试集中的经典案例和问题，并将其与8个流行算法进行比较。结果生动地突出了PO在探索和利用特性方面的竞争优势。此外，通过参数敏感性实验探讨了所提出的PO在不同配置下的适应性。开发的PO应用于工程设计问题时，证明了其有效性和优越性。为了进一步将评估扩展到实际应用中，我们将PO应用于疾病诊断和医学图像分割问题，这些问题在医学领域具有高度相关性和重要意义。实验结果表明，PO算法优于现有的一些算法，是一种很有发展前景和竞争力的算法。

参考文献：Parrot optimizer: Algorithm and applications to medical problems

Doi: 10.1016/j.compbiomed.2024.108064

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、PO-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。引入基于牛顿-拉斐尔方法的优化器（PO），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_PO运行结果如下，并且输出评价指标R2，RMSE，MSE，MAPE和MAE：

PO收敛曲线如下：

点击mainBPvsBPPO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：

% BestF: Best value in a certain iteration
% WorstF: Worst value in a certain iteration
% GBestF: Global best fitness value
% AveF: Average value in each iteration
if (max(size(ub)) == 1)
    ub = ub .* ones(1, dim);
    lb = lb .* ones(1, dim);
end
%% Initialization
X0 = initialization(N, dim, ub, lb); % Initialization
X = X0;
% Compute initial fitness values
fitness = zeros(1, N);
for i = 1:N
    fitness(i) = fobj(X(i, :),hiddennum, net, p_train, t_train);
end
[fitness, index] = sort(fitness); % sort
GBestF = fitness(1); % Global best fitness value
fitness1=GBestF;
AveF = mean(fitness);
for i = 1:N
    X(i, :) = X0(index(i), :);
end
curve = zeros(1, Max_iter);
%avg_fitness_curve = zeros(1, Max_iter);
GBestX = X(1, :); % Global best position
X_new = X;
search_history = zeros(N, Max_iter, dim);
fitness_history = zeros(N, Max_iter);
%% Start search

原创改进算法添加shudongyouma，可使用迭代次数、评估次数，可以改进经典的，先进的算法，所有结果和图一键运行出来。

可做回归/分类预测。

论文、SCI、EI、核心、学报、普刊、会议、专利、软著等均可提供辅导。

目前改进海洋捕食者、雪融和小龙虾已售，绝不二次销售。

部分理论来源于网络，如有侵权，请联系删除。