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：
升级会员 