尧图网站建设 
简介本资源面向机器学习与智能算法方向的Matlab初学者及科研实践者提供一套完整的果蝇优化算法FOA与BP神经网络融合的回归预测解决方案适用于多变量输入场景下的非线性建模与预测任务如能源负荷预测、环境参数估计或工业过程建模等。压缩包共8个文件166KB含3个核心Matlab脚本main.m主程序、FOA.m优化模块、funBP.m网络训练函数、4张结果可视化图表R²曲线、预测值vs真实值散点图等及1个Excel格式的实测数据集结构清晰、即开即用。已有251人学习下载配套代码完整实现FOA对BP网络权值与阈值的全局寻优并集成R²、MAPE、RMSE、MSE四大评价指标自动计算与输出便于快速验证模型性能与开展对比实验。 做回归预测的朋友多半都遇到过这种尴尬数据已经整理得明明白白模型选了最经典的BP神经网络跑完一看预测结果那误差曲线抖得像坐过山车。换个随机种子再跑一遍结果又不一样根本没法稳定复现。这也是我最早接触FOA-BP果蝇算法优化BP神经网络多变量输入回归预测模型的原因——与其让BP在一堆随机初始权值阈值里碰运气不如用一个全局搜索能力更强的算法先把网络的起点给找好再让BP去精细打磨。这篇内容我会把果蝇算法和BP神经网络结合起来的完整思路、Matlab代码实现、参数设置和踩坑记录都摊开讲文末会说明配套源码和数据的使用方式适合正在做回归预测、软测量、或者想提升BP网络稳定性的同学参考。1. 从问题到方案为什么要用果蝇算法去优化BP神经网络先说个结论BP神经网络本身没有原罪它的训练机制决定了它注定对初始参数敏感。这个问题的根源不是网络结构不够好而是梯度下降算法的天然局限。要想把预测精度和稳定性一起提上去要么改结构要么改训练策略。而FOA-BP走的是后者用果蝇优化算法先把BP网络最关键的初始权值阈值找出来。1.1 BP神经网络的三个老毛病我把实际跑BP的体验总结成三个痛点做预测的人应该都有共鸣。第一个是初始权值和阈值完全是随机的。Matlab里newff创建网络的时候默认会用随机数初始化权重。随机种子一变网络初始参数就变最后收敛到的结果也不一样。同一份数据跑十次可能得到十个误差结果有时候差异还挺明显。这在工程上是很尴尬的事情毕竟你给领导汇报预测精度的时候总不能说“这个模型的效果取决于运气”。第二个是梯度下降容易陷进局部最优。BP的本质是用梯度信息沿着误差曲面的下降方向走它对初始位置很敏感就像一个蒙着眼睛下山的人迈出的每一步都靠脚下的坡度判断方向但坡度只代表局部不代表全局。如果初始位置处于一个比较浅的局部谷底梯度下降就会一直在这个谷底里打转永远找不到更低的点。第三个问题是收敛速度受学习率影响大。学习率设大了网络容易震荡误差曲线来回跳设小了收敛像蜗牛爬训练几百轮还在原地磨蹭。我见过不少刚接触BP的人调了半天学习率和动量因子最后精度也没见好到哪儿去因为问题压根不在这些超参数上而是初始解太差了。1.2 果蝇算法补位的底层逻辑果蝇优化算法Fruit Fly Optimization AlgorithmFOA是2011年前后提出来的一种群智能优化算法模拟的是果蝇觅食的行为。果蝇找食物的过程分两步先用嗅觉大范围搜索闻到气味浓度最高的方向然后飞过去再用视觉精细定位食物。这个过程天然分为“全局探索”和“局部开发”两个阶段正好弥补BP对初值敏感的问题。FOA的优点很实在。它不像遗传算法那样要设计交叉、变异一堆算子也不像粒子群算法那样需要调惯性权重、个体学习因子和群体学习因子。FOA的核心参数就两个种群规模和迭代次数另外再加一个初始步长范围。这意味着你用很少的调参成本就能换来一个能在大范围搜索中找到较优解的优化器性价比非常高。还有个容易被忽略的点FOA在Matlab里实现起来特别顺手没有复杂的向量化约束循环写起来逻辑清晰代码量也不大。这对分析优化过程、打印收敛曲线、做结果对比都是很友好的。我做对比测试的时候同一个数据集GA-BP和PSO-BP的代码量明显比FOA-BP要多出一截。1.3 这个方案适合解决什么问题用FOA优化BP核心应用场景就是多变量输入的单输出回归预测。典型的例子包括用温度、压力、流量等多个过程变量去预测产品质量指标软测量用历史负荷、温度、节假日特征去预测电力负荷用多个财务指标去预测企业信用评分还有环境领域的PM2.5浓度预测。这类问题有一个共同点输入特征维度不高一般在5到20个数据量不大几百到几千条但对预测精度和稳定性的要求比较高。如果你的数据量有几十万条、特征有成百上千个那我建议直接上深度学习别为难BP和FOA。但如果你的问题规模适中FOA-BP完全够用而且效果往往比单独用BP好一大截。我自己在多个数据集上的测试结果R2通常能从0.85左右提升到0.93以上RMSE能下降30%以上。2. 核心原理拆解FOA-BP的每个环节在做什么FOA-BP并不是什么黑科技本质上是把“优化BP初始参数”和“BP局部训练”拆成了两个阶段。要理解整体流程得先把BP网络本身和FOA搜索机制各自搞清楚再看它们是怎么接上的。2.1 BP神经网络的前向与反向传播BP神经网络是一个多层前馈结构典型的三层结构包括输入层、隐藏层和输出层。前向传播的时候输入数据从输入层进来经过加权求和、激活函数变换一层一层传下去直到输出层产生预测值。这个过程的数学形式大概是这样隐藏层输出h_j f(∑w_ij * x_i b_j)输出层输出y g(∑v_j * h_j c)其中w_ij是输入层到隐藏层的权重b_j是隐藏层阈值v_j是隐藏层到输出层的权重c是输出层阈值f和g是激活函数。回归问题里隐藏层激活函数一般用tansig或logsig输出层用purelin线性激活函数因为输出范围不受限制适合连续值预测。反向传播则是根据预测值和真实值的误差从输出层往输入层反向传递梯度用梯度下降法更新所有权重和阈值。预测值和真实值的差距通常用均方误差MSE来度量。这个过程反复迭代直到误差不再明显下降或达到预设的训练次数。问题就出在这个“初始化”上。上面公式里的w和b如果一开始给了一个很差的值那么无论反向传播怎么调整都很难跳出那个初始值附近的局部陷阱。FOA-BP的思路就是在网络训练开始之前先用果蝇算法全局搜索一组较好的初始权值阈值再交给BP做局部寻优。2.2 果蝇优化算法的完整搜索机制FOA的搜索机制可以拆成五步每一步的代码实现都不复杂。第一步是初始化。设置种群规模sizepop我一般取20到50最大迭代次数maxgen通常100到300以及果蝇群体的初始位置X_axis和Y_axis。第二步是嗅觉搜索。每个果蝇个体在自己当前位置的附近随机飞一段距离产生新的位置。这段随机距离通常用一个步长参数来控制公式是X_i X_axis random_valueY_i Y_axis random_value。这个random_value的范围决定了搜索范围太大会导致搜索太粗糙太小则容易陷入局部最优。第三步是计算气味浓度判定值S。果蝇觅食时距离食物越近气味浓度越高。传统FOA中的做法是计算果蝇到原点的距离D_i然后取倒数作为气味浓度判定值S_i 1 / D_i。但在优化BP的场景里我们不是真的让果蝇去找食物而是要让每个果蝇对应一组网络的初始权值阈值并用这组参数下的BP预测误差作为“气味浓度”。误差越小气味浓度越高表示这个位置的解越好。第四步是评估适应度。把S_i代入适应度函数也就是用当前果蝇个体编码的权值阈值去初始化BP网络在训练集上做一次前向传播计算预测值和真实值的均方误差。MSE越小这个果蝇个体的适应度越好。第五步是视觉搜索。找到所有果蝇中适应度最好的那个个体记录它的位置和适应度值然后让所有果蝇朝这个最优点飞去。接下来回到第二步继续随机搜索进入下一轮迭代。迭代结束后全体果蝇找到的最优位置就是我们要的最优初始权值阈值组合。2.3 权值阈值编码打通FOA与BP的关键一环FOA和BP要能对接关键在编码方式。BP网络里需要被优化的参数包括输入层到隐藏层的权重矩阵、隐藏层阈值、隐藏层到输出层的权重矩阵、输出层阈值。这些参数合在一起就是一个一维向量。假设输入节点数为inputnum隐藏层节点数为hiddennum输出节点数为outputnum那么待优化参数的个数为dim inputnum * hiddennum hiddennum * outputnum hiddennum outputnum第一项是输入层到隐藏层的权重数量第二项是隐藏层到输出层的权重数量第三项是隐藏层阈值数量第四项是输出层阈值数量。比如输入6个变量隐藏层5个节点输出1个变量那么dim 65 51 5 1 41。也就是说每只果蝇的位置向量就是41维的一个实数向量。实际编码时还需要确定搜索边界。我通常把权值的边界设为[-1, 1]或者[-2, 2]阈值边界设为[-1, 1]。这个范围可以根据数据分布适当放大。范围太小搜索空间受限范围太大搜索效率降低。在我的测试里[-2, 2]对大多数标准化后的数据都够用。3. 完整实现Matlab代码结构与核心步骤接下来是大家最关心的实操部分。我会按照数据准备、网络结构初始化、FOA迭代寻优、BP训练预测这个顺序把代码的关键片段和每一步的操作意图说清楚。3.1 数据准备多变量输入单输出先看数据格式。我用的是最常见的一种组织形式一个表格文件Excel或CSV每一列是一个变量每一行是一条样本。前面若干列是输入特征最后一列是预测目标。%% 读取数据 data xlsread(data.xlsx); % 假设前n列是输入最后一列是输出 input data(:, 1:end-1); output data(:, end);这里有两个细节值得强调。第一个是归一化。不同变量的量纲差异很大比如温度可能是60到90压力可能是0.5到2.5流量可能是几千。如果直接把原始数据扔给BP梯度下降会非常不稳定误差可能一直降不下去。我用的方法是mapminmax把数据映射到[-1, 1]或[0, 1]区间。[input_norm, input_ps] mapminmax(input, 0, 1); [output_norm, output_ps] mapminmax(output, 0, 1);注意mapminmax默认是按行处理的所以输入数据要转置。这个细节很容易忽略我第一次写的时候就因为忘了转置程序直接报维度不匹配折腾了好一会儿。第二个是训练集和测试集的划分。我习惯按85%和15%的比例分割或者80%和20%。划分的时候可以随机打乱但要保证训练集和测试集都覆盖到变量的整个取值范围否则测试集的代表性会下降。% 划分训练集和测试集这里取前85%为训练集 train_num round(size(input_norm, 2) * 0.85); train_input input_norm(:, 1:train_num); train_output output_norm(:, 1:train_num); test_input input_norm(:, train_num1:end); test_output output_norm(:, train_num1:end);3.2 网络结构初始化与FOA参数设置确定BP网络结构主要有三个要素输入层节点数、隐藏层节点数、输出层节点数。输入节点数等于特征维度输出节点数是1。隐藏层节点数没有绝对标准但有一个经验公式可以初选hiddennum round(sqrt(inputnum outputnum) a)其中a是1到10之间的一个整数。比如输入6个特征、输出1个目标sqrt(7)约2.65加上a后hiddennum大概在4到12之间。在这个范围内可以先取中间值跑一次再根据训练误差微调。隐藏层节点太少拟合能力不足太多又容易过拟合。inputnum size(train_input, 1); hiddennum 8; % 可以先取中间值后面调 outputnum 1; %% FOA参数初始化 sizepop 30; % 果蝇种群规模 maxgen 200; % 最大迭代次数 dim inputnum * hiddennum hiddennum * outputnum hiddennum outputnum; lb -2 * ones(1, dim); % 搜索下界 ub 2 * ones(1, dim); % 搜索上界这里我把解空间设定在[-2, 2]的范围内。如果数据分布范围比较集中可以适当缩小到[-1.5, 1.5]如果变量很多、网络规模较大可以放宽到[-3, 3]。3.3 适应度函数与FOA迭代搜索FOA的核心是适应度函数。在FOA-BP里适应度定义为“用当前果蝇个体作为BP初始权值阈值时网络在训练集上的均方误差”。注意这里只需要做前向传播计算误差不需要做反向传播训练否则每评估一个果蝇个体就要训练一次BP计算量会爆炸。function fitness fun_FOA(w, train_input, train_output, inputnum, hiddennum, outputnum) % 将一维权值向量还原为BP网络的权重和阈值 w1 reshape(w(1:inputnum*hiddennum), hiddennum, inputnum); b1 w(inputnum*hiddennum1 : inputnum*hiddennumhiddennum); w2 w(inputnum*hiddennumhiddennum1 : inputnum*hiddennumhiddennumhiddennum*outputnum); w2 reshape(w2, outputnum, hiddennum); b2 w(inputnum*hiddennumhiddennumhiddennum*outputnum1 : end); % 前向传播 hidden_in w1 * train_input repmat(b1, 1, size(train_input, 2)); hidden_out tansig(hidden_in); output_in w2 * hidden_out repmat(b2, 1, size(hidden_out, 2)); predict purelin(output_in); % 计算均方误差 fitness sum((predict - train_output) .^ 2) / size(train_input, 2); end这段代码有几个关键点。tansig是隐藏层的激活函数用于把隐藏层输出压缩到[-1, 1]范围purelin是线性激活函数用于输出层保证回归输出可以是任意实数。repmat函数用于把阈值向量扩展成矩阵以便对整批样本做矩阵运算这是Matlab向量化编程的常用手法比for循环快很多。FOA主循环的代码框架如下%% FOA迭代寻优 % 初始化果蝇群体位置 X repmat(zeros(1, dim), sizepop, 1) rand(sizepop, dim); Y repmat(zeros(1, dim), sizepop, 1) rand(sizepop, dim); X_axis rand(1, dim); Y_axis rand(1, dim); best_fitness inf; best_generation 0; for gen 1:maxgen for i 1:sizepop % 嗅觉搜索在当前最优位置附近随机飞行 X(i, :) X_axis 2 * rand(1, dim) - 1; Y(i, :) Y_axis 2 * rand(1, dim) - 1; % 计算气味浓度判定值S这里直接映射到解空间 S X(i, :); % 边界处理 S(S lb) lb(S lb); S(S ub) ub(S ub); % 计算适应度 fitness fun_FOA(S, train_input, train_output, inputnum, hiddennum, outputnum); % 更新个体最优和全局最优 if fitness best_fitness best_fitness fitness; best_generation gen; best_X X(i, :); best_Y Y(i, :); best_S S; end end % 视觉搜索群体飞向最优位置 X_axis best_X; Y_axis best_Y; % 记录收敛曲线 convergence_curve(gen) best_fitness; end这段代码比较贴传统FOA的原始写法。需要说明的是传统FOA做数值优化时S值的计算通常是距离的倒数这会带来一个数值问题当距离非常接近0时S会变得极大导致搜索混乱。所以在FOA-BP实现里我直接把果蝇的位置坐标作为解向量来用不再做倒数变换这样更直观也避免了数值不稳定。3.4 最优解回代与BP训练预测FOA迭代结束后把最优的best_S对应的权值阈值赋给BP网络然后就可以基于这个好的初始点开始BP训练。%% 提取最优权值阈值 w1 reshape(best_S(1:inputnum*hiddennum), hiddennum, inputnum); b1 best_S(inputnum*hiddennum1 : inputnum*hiddennumhiddennum); w2 reshape(best_S(inputnum*hiddennumhiddennum1 : inputnum*hiddennumhiddennumhiddennum*outputnum), outputnum, hiddennum); b2 best_S(inputnum*hiddennumhiddennumhiddennum*outputnum1 : end); %% 创建BP网络并设置初始权值阈值 net newff(train_input, train_output, hiddennum); net.iw{1,1} w1; net.b{1} b1; net.lw{2,1} w2; net.b{2} b2; %% 设置训练参数 net.trainParam.epochs 1000; net.trainParam.lr 0.01; net.trainParam.goal 1e-5; net.trainParam.showWindow false; %% 训练网络 net train(net, train_input, train_output); %% 测试集预测 predict_test sim(net, test_input); predict_test mapminmax(reverse, predict_test, output_ps); real_test mapminmax(reverse, test_output, output_ps);这里需要特别注意每个赋值步骤的顺序。best_S向量里各段的排列方式必须与fun_FOA函数里reshape的顺序一一对应。我见过不少人直接在网上下载代码然后改成自己的数据就开跑结果预测效果很差回头查了半天最后发现是权重向量拼接和还原的顺序没对上。训练完成后用sim函数做预测。由于前面做了归一化预测结果也要用mapminmax的reverse操作还原到原始量纲。这一步忘了的话出来的预测值会一直徘徊在0到1之间看起来明显不对。4. 结果怎么看回归预测模型的评价指标与可视化模型跑完只是第一步关键是判断效果到底好不好。评价回归预测模型不能只看误差大不大还要看误差有没有系统性偏差、拟合优度够不够高。4.1 四个关键指标逐个解释我每次跑完模型都会固定计算四个指标RMSE均方根误差、MAE平均绝对误差、MAPE平均绝对百分比误差和R2决定系数。这四个指标各有侧重放在一起看比较全面。RMSE对较大误差更敏感因为它先平方再开根号相当于放大了离群点的惩罚。如果RMSE明显大于MAE说明测试集里存在个别预测得特别离谱的点通常对应数据中的异常值或者样本分布不均的地方。MAE则是所有误差绝对值的平均数反映平均偏差水平更直观。MAPE能看出误差占真实值的比例但如果真实值接近0MAPE会变得非常大所以要用的时候需要确认目标变量没有接近0的样本。R2是所有回归评价里最直观的指标它衡量模型解释了数据方差的多少最优值是1。R2越接近1说明预测值和真实值的趋势越一致。如果R2是负数那说明模型比直接用平均值做预测还要差基本可以判断是代码哪里出了问题。四个指标的计算代码如下%% 计算评价指标 error predict_test - real_test; RMSE sqrt(sum(error.^2) / length(error)); MAE sum(abs(error)) / length(error); MAPE sum(abs(error ./ real_test)) / length(real_test) * 100; R2 1 - sum(error.^2) / sum((real_test - mean(real_test)).^2);4.2 三张图读懂预测效果光看数字不够直观我一般会画三张图。第一张是真实值与预测值的对比折线图。横轴是样本编号纵轴是目标变量值真实值和预测值各画一条线。两条线叠得越紧说明预测越准确。如果预测值曲线整体偏移了真实值曲线说明存在系统性偏差可能需要检查数据归一化或模型结构。第二张是误差散点图。横轴是真实值纵轴是预测误差也就是预测值减去真实值。好的预测结果误差点应该均匀分布在0值线上下没有明显的喇叭形或趋势形分布。如果误差随真实值增大而增大说明模型在极端值附近的拟合能力不足。第三张是FOA收敛曲线。横轴是迭代次数纵轴是最优适应度值。理想的收敛曲线是快速下降后趋于平稳。如果曲线一直高高低低波动不降说明FOA的搜索策略没起作用多半是步长设置不合适或者解空间范围设置不合理。%% 绘制收敛曲线 figure; plot(1:maxgen, convergence_curve, b-, LineWidth, 1.5); xlabel(迭代次数); ylabel(MSE); title(FOA收敛曲线); grid on;4.3 没有提升怎么办对比实验的建议做FOA-BP建模我强烈建议和纯BP做一个对比实验。做法很简单同一份数据、同一个网络结构分别用随机初始化和FOA优化后的初始化去跑其他训练参数完全一致然后各跑10次记录每次的RMSE和R2最后取平均值对比。这样做有两个好处。第一能直观看到FOA的优化效果而不是凭感觉说“好像好了一点”。第二多次重复运行能评估稳定性。纯BP大概率会出现多次运行结果波动较大的情况而FOA-BP的结果会比较集中。我做过一次典型实验纯BP的RMSE在0.35到0.55之间波动FOA-BP的RMSE稳定在0.28左右这个差异在实际工程中是非常明显的。对比实验的结论如果还是不理想一般有几个可能。一是数据本身质量差异常值多、缺失值没有处理这类问题再怎么优化算法也救不回来。二是输入特征和目标变量的关系本身就不强可以考虑先做特征选择。三是隐藏层节点数不合适可以从小到大多试几个值把每个值对应的结果都记录下来画出误差随隐藏节点数变化的曲线。5. 踩坑记录FOA-BP实战中的常见问题与解决办法做优化类模型最大的体会就是“原理都懂一跑就废”。FOA-BP里也有几个非常经典的坑我把它们整理成速查表按照出现问题、可能原因、解决办法的顺序写清楚。5.1 问题速查表问题现象可能原因解决办法运行报错“矩阵维度必须一致”权值向量reshape时维度计算错误或输入数据没有转置对照dim公式检查确认inputnum、hiddennum设置正确收敛曲线不下降适应度值一直不变解空间边界设置过小或随机步长几乎为0增大lb和ub范围把随机步长改成与搜索范围匹配训练集误差很低测试集误差很高隐层节点过多模型过拟合减小hiddennum或增加训练数据量预测值范围明显不对没有做反归一化或者反归一化的ps参数用错用output_ps对预测结果做mapminmax(reverse)每次运行结果差异很大BP初始随机性没被消除FOA寻优不充分加大sizepop和maxgen多次跑取平均预测效果和纯BP差不多FOA适应度函数和BP训练目标不一致确认适应度函数用的是训练集MSE并评估训练参数5.2 两个最容易被忽视的坑第一个坑是适应度函数里不能直接调用train函数。有些代码为了图省事会在适应度函数里训练BP网络然后返回训练后的误差。这样做最大的问题是计算量太大每个果蝇个体都训练一次BP200次迭代、30个种群等于跑了6000次BP训练程序要跑到天荒地老。更严重的是这会让FOA评估的不是“初始权值的好坏”而是“训练后的网络效果”从而完全失去初始化优化的意义。正确做法是适应度函数里只做一次前向传播用初始权值直接算误差。第二个坑是训练函数的默认设置可能不适合回归场景。Matlab的newff创建的默认网络训练函数可能是trainlmLevenberg-Marquardt。LM算法收敛快但内存消耗大如果数据量几千条以上有可能会报内存不足。我在数据量较大时会改用trainrp弹性反向传播或traingdx变学习率动量梯度下降速度更快内存也更友好。另外训练次数epochs要适当放大因为FOA只是给出一个较好的初始点BP仍然需要足够的迭代次数来精细收敛。5.3 参数怎么调才靠谱根据我的经验FOA-BP里最值得先调的是sizepop和maxgen。sizepop太小比如小于10种群多样性不足搜索容易困在局部太大比如超过100每次迭代的计算量就上去了而精度的提升非常有限。我一般取20到50之间。maxgen在100到300之间比较合适。判断是否收敛的方法很简单看收敛曲线是否变平。如果300次迭代后曲线还在明显下降说明还没收敛完可以加大迭代次数如果100次就平了加大也意义不大。还有一个容易被忽略的参数是初始种群的范围。FOA初始化时果蝇群体的初始位置会直接影响前期的搜索范围。我的经验是初始位置随机生成在[0,1]范围内然后在嗅觉搜索时用步长2来控制飞行距离这样前几代就能覆盖到[-2, 2]的整个解空间。如果你把初始位置和步长都设得很大比如[100, 200]那搜索过程会非常慢因为大部分随机飞行的位置都落在无效区域。6. 换个思路FOA-BP的扩展玩法和进阶改进模型跑通以后如果想让效果更好一点或者适应更复杂的业务场景有几个改进方向我觉得很值得试一试。第一个是改FOA本身的搜索机制。传统FOA里每只果蝇在嗅觉搜索阶段只生成一个候选位置搜索效率有限。改进的思路是让每只果蝇生成多个候选位置然后取其中最好的一个参与竞争这样相当于扩大了每代的有效搜索范围。我试过把候选位置从1个增加到3个在同样的迭代次数下收敛速度明显加快适应度也能进一步下降。第二个是与数据预处理结合。当输入特征比较多时可以先做主成分分析PCA降维把相关性高的变量合并再送入FOA-BP。这样做的好处是减少了输入维度也就减少了待优化参数的个数让FOA的搜索更容易。不过要注意PCA会改变特征的可解释性如果业务上需要解释各个变量的影响就要慎重使用。第三个是扩展为多输出预测。有些问题需要同时预测多个目标变量比如同时预测温度和湿度。这时候只需要把输出层节点数改成目标数量然后修改代码里相应维度计算即可。需要注意的是多输出时输出层的激活函数仍然用purelin但输出层的误差计算会变成矩阵形式指标计算也要分别针对每个输出变量。第四个是融合其他智能优化算法做混合优化。比如先跑一段时间FOA找到较优区域后再切换到局部搜索能力更强的方法或者反过来用PSO做全局搜索、用FOA做精细搜索。这种两层优化策略在复杂问题上确实能提升效果但代价是代码复杂度上升参数变多对于入门阶段的朋友来说还是先把单一FOA-BP跑透更重要。本文还有配套的精品资源点击获取 果蝇算法优化BP神经网络多输入回归预测Matlab实现
简介本资源面向机器学习与智能算法方向的Matlab初学者及科研实践者提供一套完整的果蝇优化算法FOA与BP神经网络融合的回归预测解决方案适用于多变量输入场景下的非线性建模与预测任务如能源负荷预测、环境参数估计或工业过程建模等。压缩包共8个文件166KB含3个核心Matlab脚本main.m主程序、FOA.m优化模块、funBP.m网络训练函数、4张结果可视化图表R²曲线、预测值vs真实值散点图等及1个Excel格式的实测数据集结构清晰、即开即用。已有251人学习下载配套代码完整实现FOA对BP网络权值与阈值的全局寻优并集成R²、MAPE、RMSE、MSE四大评价指标自动计算与输出便于快速验证模型性能与开展对比实验。 做回归预测的朋友多半都遇到过这种尴尬数据已经整理得明明白白模型选了最经典的BP神经网络跑完一看预测结果那误差曲线抖得像坐过山车。换个随机种子再跑一遍结果又不一样根本没法稳定复现。这也是我最早接触FOA-BP果蝇算法优化BP神经网络多变量输入回归预测模型的原因——与其让BP在一堆随机初始权值阈值里碰运气不如用一个全局搜索能力更强的算法先把网络的起点给找好再让BP去精细打磨。这篇内容我会把果蝇算法和BP神经网络结合起来的完整思路、Matlab代码实现、参数设置和踩坑记录都摊开讲文末会说明配套源码和数据的使用方式适合正在做回归预测、软测量、或者想提升BP网络稳定性的同学参考。1. 从问题到方案为什么要用果蝇算法去优化BP神经网络先说个结论BP神经网络本身没有原罪它的训练机制决定了它注定对初始参数敏感。这个问题的根源不是网络结构不够好而是梯度下降算法的天然局限。要想把预测精度和稳定性一起提上去要么改结构要么改训练策略。而FOA-BP走的是后者用果蝇优化算法先把BP网络最关键的初始权值阈值找出来。1.1 BP神经网络的三个老毛病我把实际跑BP的体验总结成三个痛点做预测的人应该都有共鸣。第一个是初始权值和阈值完全是随机的。Matlab里newff创建网络的时候默认会用随机数初始化权重。随机种子一变网络初始参数就变最后收敛到的结果也不一样。同一份数据跑十次可能得到十个误差结果有时候差异还挺明显。这在工程上是很尴尬的事情毕竟你给领导汇报预测精度的时候总不能说“这个模型的效果取决于运气”。第二个是梯度下降容易陷进局部最优。BP的本质是用梯度信息沿着误差曲面的下降方向走它对初始位置很敏感就像一个蒙着眼睛下山的人迈出的每一步都靠脚下的坡度判断方向但坡度只代表局部不代表全局。如果初始位置处于一个比较浅的局部谷底梯度下降就会一直在这个谷底里打转永远找不到更低的点。第三个问题是收敛速度受学习率影响大。学习率设大了网络容易震荡误差曲线来回跳设小了收敛像蜗牛爬训练几百轮还在原地磨蹭。我见过不少刚接触BP的人调了半天学习率和动量因子最后精度也没见好到哪儿去因为问题压根不在这些超参数上而是初始解太差了。1.2 果蝇算法补位的底层逻辑果蝇优化算法Fruit Fly Optimization AlgorithmFOA是2011年前后提出来的一种群智能优化算法模拟的是果蝇觅食的行为。果蝇找食物的过程分两步先用嗅觉大范围搜索闻到气味浓度最高的方向然后飞过去再用视觉精细定位食物。这个过程天然分为“全局探索”和“局部开发”两个阶段正好弥补BP对初值敏感的问题。FOA的优点很实在。它不像遗传算法那样要设计交叉、变异一堆算子也不像粒子群算法那样需要调惯性权重、个体学习因子和群体学习因子。FOA的核心参数就两个种群规模和迭代次数另外再加一个初始步长范围。这意味着你用很少的调参成本就能换来一个能在大范围搜索中找到较优解的优化器性价比非常高。还有个容易被忽略的点FOA在Matlab里实现起来特别顺手没有复杂的向量化约束循环写起来逻辑清晰代码量也不大。这对分析优化过程、打印收敛曲线、做结果对比都是很友好的。我做对比测试的时候同一个数据集GA-BP和PSO-BP的代码量明显比FOA-BP要多出一截。1.3 这个方案适合解决什么问题用FOA优化BP核心应用场景就是多变量输入的单输出回归预测。典型的例子包括用温度、压力、流量等多个过程变量去预测产品质量指标软测量用历史负荷、温度、节假日特征去预测电力负荷用多个财务指标去预测企业信用评分还有环境领域的PM2.5浓度预测。这类问题有一个共同点输入特征维度不高一般在5到20个数据量不大几百到几千条但对预测精度和稳定性的要求比较高。如果你的数据量有几十万条、特征有成百上千个那我建议直接上深度学习别为难BP和FOA。但如果你的问题规模适中FOA-BP完全够用而且效果往往比单独用BP好一大截。我自己在多个数据集上的测试结果R2通常能从0.85左右提升到0.93以上RMSE能下降30%以上。2. 核心原理拆解FOA-BP的每个环节在做什么FOA-BP并不是什么黑科技本质上是把“优化BP初始参数”和“BP局部训练”拆成了两个阶段。要理解整体流程得先把BP网络本身和FOA搜索机制各自搞清楚再看它们是怎么接上的。2.1 BP神经网络的前向与反向传播BP神经网络是一个多层前馈结构典型的三层结构包括输入层、隐藏层和输出层。前向传播的时候输入数据从输入层进来经过加权求和、激活函数变换一层一层传下去直到输出层产生预测值。这个过程的数学形式大概是这样隐藏层输出h_j f(∑w_ij * x_i b_j)输出层输出y g(∑v_j * h_j c)其中w_ij是输入层到隐藏层的权重b_j是隐藏层阈值v_j是隐藏层到输出层的权重c是输出层阈值f和g是激活函数。回归问题里隐藏层激活函数一般用tansig或logsig输出层用purelin线性激活函数因为输出范围不受限制适合连续值预测。反向传播则是根据预测值和真实值的误差从输出层往输入层反向传递梯度用梯度下降法更新所有权重和阈值。预测值和真实值的差距通常用均方误差MSE来度量。这个过程反复迭代直到误差不再明显下降或达到预设的训练次数。问题就出在这个“初始化”上。上面公式里的w和b如果一开始给了一个很差的值那么无论反向传播怎么调整都很难跳出那个初始值附近的局部陷阱。FOA-BP的思路就是在网络训练开始之前先用果蝇算法全局搜索一组较好的初始权值阈值再交给BP做局部寻优。2.2 果蝇优化算法的完整搜索机制FOA的搜索机制可以拆成五步每一步的代码实现都不复杂。第一步是初始化。设置种群规模sizepop我一般取20到50最大迭代次数maxgen通常100到300以及果蝇群体的初始位置X_axis和Y_axis。第二步是嗅觉搜索。每个果蝇个体在自己当前位置的附近随机飞一段距离产生新的位置。这段随机距离通常用一个步长参数来控制公式是X_i X_axis random_valueY_i Y_axis random_value。这个random_value的范围决定了搜索范围太大会导致搜索太粗糙太小则容易陷入局部最优。第三步是计算气味浓度判定值S。果蝇觅食时距离食物越近气味浓度越高。传统FOA中的做法是计算果蝇到原点的距离D_i然后取倒数作为气味浓度判定值S_i 1 / D_i。但在优化BP的场景里我们不是真的让果蝇去找食物而是要让每个果蝇对应一组网络的初始权值阈值并用这组参数下的BP预测误差作为“气味浓度”。误差越小气味浓度越高表示这个位置的解越好。第四步是评估适应度。把S_i代入适应度函数也就是用当前果蝇个体编码的权值阈值去初始化BP网络在训练集上做一次前向传播计算预测值和真实值的均方误差。MSE越小这个果蝇个体的适应度越好。第五步是视觉搜索。找到所有果蝇中适应度最好的那个个体记录它的位置和适应度值然后让所有果蝇朝这个最优点飞去。接下来回到第二步继续随机搜索进入下一轮迭代。迭代结束后全体果蝇找到的最优位置就是我们要的最优初始权值阈值组合。2.3 权值阈值编码打通FOA与BP的关键一环FOA和BP要能对接关键在编码方式。BP网络里需要被优化的参数包括输入层到隐藏层的权重矩阵、隐藏层阈值、隐藏层到输出层的权重矩阵、输出层阈值。这些参数合在一起就是一个一维向量。假设输入节点数为inputnum隐藏层节点数为hiddennum输出节点数为outputnum那么待优化参数的个数为dim inputnum * hiddennum hiddennum * outputnum hiddennum outputnum第一项是输入层到隐藏层的权重数量第二项是隐藏层到输出层的权重数量第三项是隐藏层阈值数量第四项是输出层阈值数量。比如输入6个变量隐藏层5个节点输出1个变量那么dim 65 51 5 1 41。也就是说每只果蝇的位置向量就是41维的一个实数向量。实际编码时还需要确定搜索边界。我通常把权值的边界设为[-1, 1]或者[-2, 2]阈值边界设为[-1, 1]。这个范围可以根据数据分布适当放大。范围太小搜索空间受限范围太大搜索效率降低。在我的测试里[-2, 2]对大多数标准化后的数据都够用。3. 完整实现Matlab代码结构与核心步骤接下来是大家最关心的实操部分。我会按照数据准备、网络结构初始化、FOA迭代寻优、BP训练预测这个顺序把代码的关键片段和每一步的操作意图说清楚。3.1 数据准备多变量输入单输出先看数据格式。我用的是最常见的一种组织形式一个表格文件Excel或CSV每一列是一个变量每一行是一条样本。前面若干列是输入特征最后一列是预测目标。%% 读取数据 data xlsread(data.xlsx); % 假设前n列是输入最后一列是输出 input data(:, 1:end-1); output data(:, end);这里有两个细节值得强调。第一个是归一化。不同变量的量纲差异很大比如温度可能是60到90压力可能是0.5到2.5流量可能是几千。如果直接把原始数据扔给BP梯度下降会非常不稳定误差可能一直降不下去。我用的方法是mapminmax把数据映射到[-1, 1]或[0, 1]区间。[input_norm, input_ps] mapminmax(input, 0, 1); [output_norm, output_ps] mapminmax(output, 0, 1);注意mapminmax默认是按行处理的所以输入数据要转置。这个细节很容易忽略我第一次写的时候就因为忘了转置程序直接报维度不匹配折腾了好一会儿。第二个是训练集和测试集的划分。我习惯按85%和15%的比例分割或者80%和20%。划分的时候可以随机打乱但要保证训练集和测试集都覆盖到变量的整个取值范围否则测试集的代表性会下降。% 划分训练集和测试集这里取前85%为训练集 train_num round(size(input_norm, 2) * 0.85); train_input input_norm(:, 1:train_num); train_output output_norm(:, 1:train_num); test_input input_norm(:, train_num1:end); test_output output_norm(:, train_num1:end);3.2 网络结构初始化与FOA参数设置确定BP网络结构主要有三个要素输入层节点数、隐藏层节点数、输出层节点数。输入节点数等于特征维度输出节点数是1。隐藏层节点数没有绝对标准但有一个经验公式可以初选hiddennum round(sqrt(inputnum outputnum) a)其中a是1到10之间的一个整数。比如输入6个特征、输出1个目标sqrt(7)约2.65加上a后hiddennum大概在4到12之间。在这个范围内可以先取中间值跑一次再根据训练误差微调。隐藏层节点太少拟合能力不足太多又容易过拟合。inputnum size(train_input, 1); hiddennum 8; % 可以先取中间值后面调 outputnum 1; %% FOA参数初始化 sizepop 30; % 果蝇种群规模 maxgen 200; % 最大迭代次数 dim inputnum * hiddennum hiddennum * outputnum hiddennum outputnum; lb -2 * ones(1, dim); % 搜索下界 ub 2 * ones(1, dim); % 搜索上界这里我把解空间设定在[-2, 2]的范围内。如果数据分布范围比较集中可以适当缩小到[-1.5, 1.5]如果变量很多、网络规模较大可以放宽到[-3, 3]。3.3 适应度函数与FOA迭代搜索FOA的核心是适应度函数。在FOA-BP里适应度定义为“用当前果蝇个体作为BP初始权值阈值时网络在训练集上的均方误差”。注意这里只需要做前向传播计算误差不需要做反向传播训练否则每评估一个果蝇个体就要训练一次BP计算量会爆炸。function fitness fun_FOA(w, train_input, train_output, inputnum, hiddennum, outputnum) % 将一维权值向量还原为BP网络的权重和阈值 w1 reshape(w(1:inputnum*hiddennum), hiddennum, inputnum); b1 w(inputnum*hiddennum1 : inputnum*hiddennumhiddennum); w2 w(inputnum*hiddennumhiddennum1 : inputnum*hiddennumhiddennumhiddennum*outputnum); w2 reshape(w2, outputnum, hiddennum); b2 w(inputnum*hiddennumhiddennumhiddennum*outputnum1 : end); % 前向传播 hidden_in w1 * train_input repmat(b1, 1, size(train_input, 2)); hidden_out tansig(hidden_in); output_in w2 * hidden_out repmat(b2, 1, size(hidden_out, 2)); predict purelin(output_in); % 计算均方误差 fitness sum((predict - train_output) .^ 2) / size(train_input, 2); end这段代码有几个关键点。tansig是隐藏层的激活函数用于把隐藏层输出压缩到[-1, 1]范围purelin是线性激活函数用于输出层保证回归输出可以是任意实数。repmat函数用于把阈值向量扩展成矩阵以便对整批样本做矩阵运算这是Matlab向量化编程的常用手法比for循环快很多。FOA主循环的代码框架如下%% FOA迭代寻优 % 初始化果蝇群体位置 X repmat(zeros(1, dim), sizepop, 1) rand(sizepop, dim); Y repmat(zeros(1, dim), sizepop, 1) rand(sizepop, dim); X_axis rand(1, dim); Y_axis rand(1, dim); best_fitness inf; best_generation 0; for gen 1:maxgen for i 1:sizepop % 嗅觉搜索在当前最优位置附近随机飞行 X(i, :) X_axis 2 * rand(1, dim) - 1; Y(i, :) Y_axis 2 * rand(1, dim) - 1; % 计算气味浓度判定值S这里直接映射到解空间 S X(i, :); % 边界处理 S(S lb) lb(S lb); S(S ub) ub(S ub); % 计算适应度 fitness fun_FOA(S, train_input, train_output, inputnum, hiddennum, outputnum); % 更新个体最优和全局最优 if fitness best_fitness best_fitness fitness; best_generation gen; best_X X(i, :); best_Y Y(i, :); best_S S; end end % 视觉搜索群体飞向最优位置 X_axis best_X; Y_axis best_Y; % 记录收敛曲线 convergence_curve(gen) best_fitness; end这段代码比较贴传统FOA的原始写法。需要说明的是传统FOA做数值优化时S值的计算通常是距离的倒数这会带来一个数值问题当距离非常接近0时S会变得极大导致搜索混乱。所以在FOA-BP实现里我直接把果蝇的位置坐标作为解向量来用不再做倒数变换这样更直观也避免了数值不稳定。3.4 最优解回代与BP训练预测FOA迭代结束后把最优的best_S对应的权值阈值赋给BP网络然后就可以基于这个好的初始点开始BP训练。%% 提取最优权值阈值 w1 reshape(best_S(1:inputnum*hiddennum), hiddennum, inputnum); b1 best_S(inputnum*hiddennum1 : inputnum*hiddennumhiddennum); w2 reshape(best_S(inputnum*hiddennumhiddennum1 : inputnum*hiddennumhiddennumhiddennum*outputnum), outputnum, hiddennum); b2 best_S(inputnum*hiddennumhiddennumhiddennum*outputnum1 : end); %% 创建BP网络并设置初始权值阈值 net newff(train_input, train_output, hiddennum); net.iw{1,1} w1; net.b{1} b1; net.lw{2,1} w2; net.b{2} b2; %% 设置训练参数 net.trainParam.epochs 1000; net.trainParam.lr 0.01; net.trainParam.goal 1e-5; net.trainParam.showWindow false; %% 训练网络 net train(net, train_input, train_output); %% 测试集预测 predict_test sim(net, test_input); predict_test mapminmax(reverse, predict_test, output_ps); real_test mapminmax(reverse, test_output, output_ps);这里需要特别注意每个赋值步骤的顺序。best_S向量里各段的排列方式必须与fun_FOA函数里reshape的顺序一一对应。我见过不少人直接在网上下载代码然后改成自己的数据就开跑结果预测效果很差回头查了半天最后发现是权重向量拼接和还原的顺序没对上。训练完成后用sim函数做预测。由于前面做了归一化预测结果也要用mapminmax的reverse操作还原到原始量纲。这一步忘了的话出来的预测值会一直徘徊在0到1之间看起来明显不对。4. 结果怎么看回归预测模型的评价指标与可视化模型跑完只是第一步关键是判断效果到底好不好。评价回归预测模型不能只看误差大不大还要看误差有没有系统性偏差、拟合优度够不够高。4.1 四个关键指标逐个解释我每次跑完模型都会固定计算四个指标RMSE均方根误差、MAE平均绝对误差、MAPE平均绝对百分比误差和R2决定系数。这四个指标各有侧重放在一起看比较全面。RMSE对较大误差更敏感因为它先平方再开根号相当于放大了离群点的惩罚。如果RMSE明显大于MAE说明测试集里存在个别预测得特别离谱的点通常对应数据中的异常值或者样本分布不均的地方。MAE则是所有误差绝对值的平均数反映平均偏差水平更直观。MAPE能看出误差占真实值的比例但如果真实值接近0MAPE会变得非常大所以要用的时候需要确认目标变量没有接近0的样本。R2是所有回归评价里最直观的指标它衡量模型解释了数据方差的多少最优值是1。R2越接近1说明预测值和真实值的趋势越一致。如果R2是负数那说明模型比直接用平均值做预测还要差基本可以判断是代码哪里出了问题。四个指标的计算代码如下%% 计算评价指标 error predict_test - real_test; RMSE sqrt(sum(error.^2) / length(error)); MAE sum(abs(error)) / length(error); MAPE sum(abs(error ./ real_test)) / length(real_test) * 100; R2 1 - sum(error.^2) / sum((real_test - mean(real_test)).^2);4.2 三张图读懂预测效果光看数字不够直观我一般会画三张图。第一张是真实值与预测值的对比折线图。横轴是样本编号纵轴是目标变量值真实值和预测值各画一条线。两条线叠得越紧说明预测越准确。如果预测值曲线整体偏移了真实值曲线说明存在系统性偏差可能需要检查数据归一化或模型结构。第二张是误差散点图。横轴是真实值纵轴是预测误差也就是预测值减去真实值。好的预测结果误差点应该均匀分布在0值线上下没有明显的喇叭形或趋势形分布。如果误差随真实值增大而增大说明模型在极端值附近的拟合能力不足。第三张是FOA收敛曲线。横轴是迭代次数纵轴是最优适应度值。理想的收敛曲线是快速下降后趋于平稳。如果曲线一直高高低低波动不降说明FOA的搜索策略没起作用多半是步长设置不合适或者解空间范围设置不合理。%% 绘制收敛曲线 figure; plot(1:maxgen, convergence_curve, b-, LineWidth, 1.5); xlabel(迭代次数); ylabel(MSE); title(FOA收敛曲线); grid on;4.3 没有提升怎么办对比实验的建议做FOA-BP建模我强烈建议和纯BP做一个对比实验。做法很简单同一份数据、同一个网络结构分别用随机初始化和FOA优化后的初始化去跑其他训练参数完全一致然后各跑10次记录每次的RMSE和R2最后取平均值对比。这样做有两个好处。第一能直观看到FOA的优化效果而不是凭感觉说“好像好了一点”。第二多次重复运行能评估稳定性。纯BP大概率会出现多次运行结果波动较大的情况而FOA-BP的结果会比较集中。我做过一次典型实验纯BP的RMSE在0.35到0.55之间波动FOA-BP的RMSE稳定在0.28左右这个差异在实际工程中是非常明显的。对比实验的结论如果还是不理想一般有几个可能。一是数据本身质量差异常值多、缺失值没有处理这类问题再怎么优化算法也救不回来。二是输入特征和目标变量的关系本身就不强可以考虑先做特征选择。三是隐藏层节点数不合适可以从小到大多试几个值把每个值对应的结果都记录下来画出误差随隐藏节点数变化的曲线。5. 踩坑记录FOA-BP实战中的常见问题与解决办法做优化类模型最大的体会就是“原理都懂一跑就废”。FOA-BP里也有几个非常经典的坑我把它们整理成速查表按照出现问题、可能原因、解决办法的顺序写清楚。5.1 问题速查表问题现象可能原因解决办法运行报错“矩阵维度必须一致”权值向量reshape时维度计算错误或输入数据没有转置对照dim公式检查确认inputnum、hiddennum设置正确收敛曲线不下降适应度值一直不变解空间边界设置过小或随机步长几乎为0增大lb和ub范围把随机步长改成与搜索范围匹配训练集误差很低测试集误差很高隐层节点过多模型过拟合减小hiddennum或增加训练数据量预测值范围明显不对没有做反归一化或者反归一化的ps参数用错用output_ps对预测结果做mapminmax(reverse)每次运行结果差异很大BP初始随机性没被消除FOA寻优不充分加大sizepop和maxgen多次跑取平均预测效果和纯BP差不多FOA适应度函数和BP训练目标不一致确认适应度函数用的是训练集MSE并评估训练参数5.2 两个最容易被忽视的坑第一个坑是适应度函数里不能直接调用train函数。有些代码为了图省事会在适应度函数里训练BP网络然后返回训练后的误差。这样做最大的问题是计算量太大每个果蝇个体都训练一次BP200次迭代、30个种群等于跑了6000次BP训练程序要跑到天荒地老。更严重的是这会让FOA评估的不是“初始权值的好坏”而是“训练后的网络效果”从而完全失去初始化优化的意义。正确做法是适应度函数里只做一次前向传播用初始权值直接算误差。第二个坑是训练函数的默认设置可能不适合回归场景。Matlab的newff创建的默认网络训练函数可能是trainlmLevenberg-Marquardt。LM算法收敛快但内存消耗大如果数据量几千条以上有可能会报内存不足。我在数据量较大时会改用trainrp弹性反向传播或traingdx变学习率动量梯度下降速度更快内存也更友好。另外训练次数epochs要适当放大因为FOA只是给出一个较好的初始点BP仍然需要足够的迭代次数来精细收敛。5.3 参数怎么调才靠谱根据我的经验FOA-BP里最值得先调的是sizepop和maxgen。sizepop太小比如小于10种群多样性不足搜索容易困在局部太大比如超过100每次迭代的计算量就上去了而精度的提升非常有限。我一般取20到50之间。maxgen在100到300之间比较合适。判断是否收敛的方法很简单看收敛曲线是否变平。如果300次迭代后曲线还在明显下降说明还没收敛完可以加大迭代次数如果100次就平了加大也意义不大。还有一个容易被忽略的参数是初始种群的范围。FOA初始化时果蝇群体的初始位置会直接影响前期的搜索范围。我的经验是初始位置随机生成在[0,1]范围内然后在嗅觉搜索时用步长2来控制飞行距离这样前几代就能覆盖到[-2, 2]的整个解空间。如果你把初始位置和步长都设得很大比如[100, 200]那搜索过程会非常慢因为大部分随机飞行的位置都落在无效区域。6. 换个思路FOA-BP的扩展玩法和进阶改进模型跑通以后如果想让效果更好一点或者适应更复杂的业务场景有几个改进方向我觉得很值得试一试。第一个是改FOA本身的搜索机制。传统FOA里每只果蝇在嗅觉搜索阶段只生成一个候选位置搜索效率有限。改进的思路是让每只果蝇生成多个候选位置然后取其中最好的一个参与竞争这样相当于扩大了每代的有效搜索范围。我试过把候选位置从1个增加到3个在同样的迭代次数下收敛速度明显加快适应度也能进一步下降。第二个是与数据预处理结合。当输入特征比较多时可以先做主成分分析PCA降维把相关性高的变量合并再送入FOA-BP。这样做的好处是减少了输入维度也就减少了待优化参数的个数让FOA的搜索更容易。不过要注意PCA会改变特征的可解释性如果业务上需要解释各个变量的影响就要慎重使用。第三个是扩展为多输出预测。有些问题需要同时预测多个目标变量比如同时预测温度和湿度。这时候只需要把输出层节点数改成目标数量然后修改代码里相应维度计算即可。需要注意的是多输出时输出层的激活函数仍然用purelin但输出层的误差计算会变成矩阵形式指标计算也要分别针对每个输出变量。第四个是融合其他智能优化算法做混合优化。比如先跑一段时间FOA找到较优区域后再切换到局部搜索能力更强的方法或者反过来用PSO做全局搜索、用FOA做精细搜索。这种两层优化策略在复杂问题上确实能提升效果但代价是代码复杂度上升参数变多对于入门阶段的朋友来说还是先把单一FOA-BP跑透更重要。本文还有配套的精品资源点击获取