用遗传算法优化BP神经网络的Matlab编程实例.doc
《用遗传算法优化BP神经网络的Matlab编程实例.doc》由会员分享,可在线阅读,更多相关《用遗传算法优化BP神经网络的Matlab编程实例.doc(2页珍藏版)》请在冰点文库上搜索。
用遗传算法优化BP神经网络的Matlab编程实例
由于BP网络的权值优化是一个无约束优化问题,而且权值要采用实数编码,所以直接利用Matlab遗传算法工具箱。
以下贴出的代码是为一个19输入变量,1个输出变量情况下的非线性回归而设计的,如果要应用于其它情况,只需改动编解码函数即可。
程序一:
GA训练BP权值的主函数
functionnet=GABPNET(XX,YY)
%--------------------------------------------------------------------------
% GABPNET.m
% 使用遗传算法对BP网络权值阈值进行优化,再用BP算法训练网络
%--------------------------------------------------------------------------
%数据归一化预处理
nntwarnoff
XX=premnmx(XX);
YY=premnmx(YY);
%创建网络
net=newff(minmax(XX),[19,25,1],{'tansig','tansig','purelin'},'trainlm');
%下面使用遗传算法对网络进行优化
P=XX;
T=YY;
R=size(P,1);
S2=size(T,1);
S1=25;%隐含层节点数
S=R*S1+S1*S2+S1+S2;%遗传算法编码长度
aa=ones(S,1)*[-1,1];
popu=50;%种群规模
initPpp=initializega(popu,aa,'gabpEval');%初始化种群
gen=100;%遗传代数
%下面调用gaot工具箱,其中目标函数定义为gabpEval
[x,endPop,bPop,trace]=ga(aa,'gabpEval',[],initPpp,[1e-611],'maxGenTerm',gen,...
'normGeomSelect',[0.09],['arithXover'],[2],'nonUnifMutation',[2gen3]);
%绘收敛曲线图
figure
(1)
plot(trace(:
1),1./trace(:
3),'r-');
holdon
plot(trace(:
1),1./trace(:
2),'b-');
xlabel('Generation');
ylabel('Sum-SquaredError');
figure
(2)
plot(trace(:
1),trace(:
3),'r-');
holdon
plot(trace(:
1),trace(:
2),'b-');
xlabel('Generation');
ylabel('Fittness');
%下面将初步得到的权值矩阵赋给尚未开始训练的BP网络
[W1,B1,W2,B2,P,T,A1,A2,SE,val]=gadecod(x);
net.LW{2,1}=W1;
net.LW{3,2}=W2;
net.b{2,1}=B1;
net.b{3,1}=B2;
XX=P;
YY=T;
%设置训练参数
net.trainParam.show=1;
net.trainParam.lr=1;
net.trainParam.epochs=50;
net.trainParam.goal=0.001;
%训练网络
net=train(net,XX,YY);
程序二:
适应值函数
function[sol,val]=gabpEval(sol,options)
%val-thefittnessofthisindividual
%sol-theindividual,returnedtoallowforLamarckianevolution
%options-[current_generation]
loaddata2
nntwarnoff
XX=premnmx(XX);
YY=premnmx(YY);
P=XX;
T=YY;
R=size(P,1);
S2=size(T,1);
S1=25;%隐含层节点数
S=R*S1+S1*S2+S1+S2;%遗传算法编码长度
fori=1:
S,
x(i)=sol(i);
end;
[W1,B1,W2,B2,P,T,A1,A2,SE,val]=gadecod(x);
程序三:
编解码函数
function[W1,B1,W2,B2,P,T,A1,A2,SE,val]=gadecod(x)
loaddata2
nntwarnoff
XX=premnmx(XX);
YY=premnmx(YY);
P=XX;
T=YY;
R=size(P,1);
S2=size(T,1);
S1=25;%隐含层节点数
S=R*S1+S1*S2+S1+S2;%遗传算法编码长度
%前R*S1个编码为W1
fori=1:
S1,
fork=1:
R,
W1(i,k)=x(R*(i-1)+k);
end
end
%接着的S1*S2个编码(即第R*S1个后的编码)为W2
fori=1:
S2,
fork=1:
S1,
W2(i,k)=x(S1*(i-1)+k+R*S1);
end
end
%接着的S1个编码(即第R*S1+S1*S2个后的编码)为B1
fori=1:
S1,
B1(i,1)=x((R*S1+S1*S2)+i);
end
%接着的S2个编码(即第R*S1+S1*S2+S1个后的编码)为B2
fori=1:
S2,
B2(i,1)=x((R*S1+S1*S2+S1)+i);
end
%计算S1与S2层的输出
A1=tansig(W1*P,B1);
A2=purelin(W2*A1,B2);
%计算误差平方和
SE=sumsqr(T-A2);
val=1/SE;%遗传算法的适应值
注意:
上面的函数需要调用gaot工具箱,请从网上搜索下载
文章引用自: