PSO优化BP预测的matlab代码

以下是一个使用PSO优化BP神经网络进行预测的Matlab代码示例：

% 读取数据
data = xlsread('data.xlsx');

% 将数据分为训练集和测试集
trainData = data(1:80,:);
testData = data(81:end,:);

% 设定BP神经网络的参数
inputNum = 5;   % 输入层节点数
hiddenNum = 10; % 隐藏层节点数
outputNum = 1;  % 输出层节点数
learnRate = 0.05;   % 学习率
maxIter = 1000; % 最大迭代次数

% 初始化粒子群优化算法的参数
particleNum = 50;   % 粒子数
w = 0.8;    % 惯性权重
c1 = 2;     % 个体学习因子
c2 = 2;     % 社会学习因子

% 初始化粒子群
position = rand(particleNum, (inputNum + 1) * hiddenNum + (hiddenNum + 1) * outputNum);
velocity = zeros(particleNum, size(position, 2));
pBest = position;
pBestVal = inf(1, particleNum);
gBest = zeros(1, size(position, 2));
gBestVal = inf;

% 训练BP神经网络
for i = 1:maxIter
    % 计算每个粒子的适应度
    for j = 1:particleNum
        net = initbp(inputNum, hiddenNum, outputNum);
        net = setwb(net, position(j,:));
        net.trainParam.lr = learnRate;
        net = train(net, trainData(:,1:end-1)', trainData(:,end)');
        y = sim(net, trainData(:,1:end-1)');
        mse = sum((trainData(:,end)' - y).^2) / size(trainData, 1);
        if mse < pBestVal(j)
            pBestVal(j) = mse;
            pBest(j,:) = position(j,:);
        end
        if mse < gBestVal
            gBestVal = mse;
            gBest = position(j,:);
        end
    end
    % 更新粒子位置和速度
    for j = 1:particleNum
        r1 = rand(1, size(position, 2));
        r2 = rand(1, size(position, 2));
        velocity(j,:) = w * velocity(j,:) + c1 * r1 .* (pBest(j,:) - position(j,:)) + c2 * r2 .* (gBest - position(j,:));
        position(j,:) = position(j,:) + velocity(j,:);
    end
end

% 使用最优参数训练BP神经网络
net = initbp(inputNum, hiddenNum, outputNum);
net = setwb(net, gBest);
net.trainParam.lr = learnRate;
net = train(net, trainData(:,1:end-1)', trainData(:,end)');

% 使用测试集进行预测
y = sim(net, testData(:,1:end-1)');
mse = sum((testData(:,end)' - y).^2) / size(testData, 1);
disp(['MSE: ' num2str(mse)]);

% 绘制预测结果
plot(testData(:,end), 'b');
hold on;
plot(y, 'r');
legend('真实值', '预测值');

需要注意的是，这只是一个简单的代码示例，实际应用中需要根据具体情况进行调整和优化。另外，如果你想要了解更多关于粒子群优化算法和BP神经网络的知识，可以参考相关的教材和论文。