粒子群算法优化RBF神经网络的MATLAB实现

一、算法原理与架构设计

1. RBF网络参数优化需求
RBF网络的核心参数包括：

• 隐藏层中心点（Centers）：决定输入空间的划分
• 隐藏层宽度（Sigmas）：控制基函数覆盖范围
• 输出层权重（Weights）：连接隐藏层与输出层的线性组合

传统方法（如K-means聚类+最小二乘法）易陷入局部最优，PSO通过全局搜索能力优化这些参数。

二、MATLAB实现关键步骤

1. RBF网络参数编码
每个粒子位置向量包含：

• 中心点坐标：centers = [c11,c12,...,cNinput]
• 宽度参数：sigmas = [σ1,σ2,...,σNhidden]
• 输出权重：weights = [w11,w12,...,wNoutput]

% 示例：3输入、5隐藏节点、1输出
particle = [centers; sigmas; weights]; % 维度: (3+5+1)*5=45维

2. 适应度函数设计
以均方误差（MSE）为优化目标：

function mse = fitness(particle, X, Y)
    % 解码参数
    [centers, sigmas, weights] = decode_particle(particle);

    % 计算隐藏层输出
    hidden_out = zeros(size(X,1), size(centers,2));
    for i = 1:size(centers,2)
        dist = pdist2(X, centers(:,i));
        hidden_out(:,i) = exp(-dist.^2/(2*sigmas(i)^2));
    end

    % 计算输出层
    Y_pred = hidden_out * weights;
    mse = mean((Y_pred - Y).^2);
end

3. PSO参数设置

n_particles = 30;    % 粒子数量
max_iter = 100;      % 最大迭代次数
w = 0.729;           % 惯性权重
c1 = 1.49445;        % 个体学习因子
c2 = 1.49445;        % 社会学习因子
dim = 3+5+1;         % 参数维度（示例）

4. 完整优化流程

%% 数据准备
load('sample_data.mat'); % X:输入特征, Y:目标值
[trainInd,testInd] = dividerand(size(X,1),0.8,0.2);

%% PSO初始化
particles = rand(n_particles,dim)*10; % 参数范围根据问题调整
velocities = 0.1*rand(n_particles,dim);
pbest = particles; pbest_cost = inf(n_particles,1);
gbest = particles(1,:); gbest_cost = inf;

%% 迭代优化
for iter = 1:max_iter
    for i = 1:n_particles
        % 计算适应度
        current_cost = fitness(particles(i,:), X(trainInd,:), Y(trainInd));

        % 更新最优
        if current_cost < pbest_cost(i)
            pbest_cost(i) = current_cost;
            pbest(i,:) = particles(i,:);
        end
        if current_cost < gbest_cost
            gbest_cost = current_cost;
            gbest = particles(i,:);
        end
    end

    % PSO速度更新
    for i = 1:n_particles
        r1 = rand(1,dim); r2 = rand(1,dim);
        velocities(i,:) = w*velocities(i,:) + ...
            c1*r1.*(pbest(i,:) - particles(i,:)) + ...
            c2*r2.*(gbest - particles(i,:));
        particles(i,:) = particles(i,:) + velocities(i,:);
    end

    % 显示进度
    fprintf('Iter %d | Best MSE: %.4f\n', iter, gbest_cost);
end

%% 构建最优网络
[best_centers, best_sigmas, best_weights] = decode_particle(gbest);
net = newrb(X(trainInd,:), Y(trainInd)', 0, best_sigmas, best_centers);

三、关键技术优化策略

1. 动态参数调整

• 自适应惯性权重：

  w = w_max - (w_max - w_min)*(iter/max_iter); % 从0.9线性递减至0.4
  

• 学习因子调整：

  c1 = 2.5 - 0.5*iter/max_iter; % 前期侧重全局搜索
  c2 = 1.5 + 0.5*iter/max_iter; % 后期侧重局部开发
  

2. 混合优化策略

• K-means+PSO：先用K-means初始化中心点，再通过PSO微调

• 正则化增强：在适应度函数中加入权重惩罚项

  mse = mean((Y_pred - Y).^2) + 0.01*sum(weights.^2);
  

3. 并行计算加速

parfor i = 1:n_particles
    % 并行计算适应度
    pbest_cost(i) = fitness(particles(i,:), X, Y);
end

参考文献与工具

• 开源代码库：GitHub - PSO-RBF-Matlab
• MATLAB工具箱：Deep Learning Toolbox（网络结构验证）
• 参考代码 粒子群算法优化RBF网络 www.youwenfan.com/contentald/84656.html
• 经典论文：
  • Kennedy J. Particle swarm optimization[C]. IEEE, 1995.
  • 刘金琨. 智能优化算法及其MATLAB实现[M]. 电子工业出版社, 2018.