遗传算法 2精品毕业设计完整版.docx
《遗传算法 2精品毕业设计完整版.docx》由会员分享，可在线阅读，更多相关《遗传算法 2精品毕业设计完整版.docx（27页珍藏版）》请在冰点文库上搜索。
遗传算法2精品毕业设计完整版
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
上述程序需要调用gaot工具箱，请从附件里下载！
原创】蚁群算法最短路径通用Matlab程序（附图）
下面的程序是蚁群算法在最短路中的应用，稍加扩展即可应用于机器人路径规划
function[ROUTES,PL,Tau]=ACASP（G,Tau,K,M,S,E,Alpha,Beta,Rho,Q）
%%---------------------------------------------------------------
% ACASP.m
% 蚁群算法动态寻路算法
% ChengAihua,PLAInformationEngineeringUniversity,ZhengZhou,China
% Email:
aihuacheng@
% Allrightsreserved
%%---------------------------------------------------------------
% 输入参数列表
% G 地形图为01矩阵，如果为1表示障碍物
% Tau 初始信息素矩阵（认为前面的觅食活动中有残留的信息素）
% K 迭代次数（指蚂蚁出动多少波）
% M 蚂蚁个数（每一波蚂蚁有多少个）
% S 起始点（最短路径的起始点）
% E 终止点（最短路径的目的点）
% Alpha 表征信息素重要程度的参数
% Beta 表征启发式因子重要程度的参数
% Rho 信息素蒸发系数
% Q 信息素增加强度系数
%
% 输出参数列表
% ROUTES 每一代的每一只蚂蚁的爬行路线
% PL 每一代的每一只蚂蚁的爬行路线长度
% Tau 输出动态修正过的信息素
%%--------------------变量初始化----------------------------------
%load
D=G2D（G）;
N=size（D,1）;%N表示问题的规模（象素个数）
MM=size（G,1）;
a=1;%小方格象素的边长
Ex=a*（mod（E,MM）-0.5）;%终止点横坐标
ifEx==-0.5
Ex=MM-0.5;
end
Ey=a*（MM+0.5-ceil（E/MM））;%终止点纵坐标
Eta=zeros（1,N）;%启发式信息，取为至目标点的直线距离的倒数
%下面构造启发式信息矩阵
fori=1:
N
ifix==-0.5
ix=MM-0.5;
end
iy=a*（MM+0.5-ceil（i/MM））;
ifi~=E
Eta（1,i）=1/（（ix-Ex）^2+（iy-Ey）^2）^0.5;
else
Eta（1,i）=100;
end
end
ROUTES=cell（K,M）;%用细胞结构存储每一代的每一只蚂蚁的爬行路线
PL=zeros（K,M）;%用矩阵存储每一代的每一只蚂蚁的爬行路线长度
%%-----------启动K轮蚂蚁觅食活动，每轮派出M只蚂蚁--------------------
fork=1:
K
disp（k）;
form=1:
M
%% 第一步：
状态初始化
W=S;%当前节点初始化为起始点
Path=S;%爬行路线初始化
PLkm=0;%爬行路线长度初始化
TABUkm=ones（1,N）;%禁忌表初始化
TABUkm（S）=0;%已经在初始点了，因此要排除
DD=D;%邻接矩阵初始化
%% 第二步：
下一步可以前往的节点
DW=DD（W,:
）;
DW1=find（DW
forj=1:
length（DW1）
ifTABUkm（DW1（j））==0
DW（j）=inf;
end
end
LJD=find（DW
Len_LJD=length（LJD）;%可选节点的个数
%% 觅食停止条件：
蚂蚁未遇到食物或者陷入死胡同
whileW~=E&&Len_LJD>=1
%% 第三步：
转轮赌法选择下一步怎么走
PP=zeros（1,Len_LJD）;
fori=1:
Len_LJD
PP（i）=（Tau（W,LJD（i））^Alpha）*（Eta（LJD（i））^Beta）;
end
PP=PP/（sum（PP））;%建立概率分布
Pcum=cumsum（PP）;
Select=find（Pcum>=rand）;
%% 第四步：
状态更新和记录
Path=[Path,to_visit];%路径增加
PLkm=PLkm+DD（W,to_visit）;%路径长度增加
W=to_visit;%蚂蚁移到下一个节点
forkk=1:
N
ifTABUkm（kk）==0
DD（W,kk）=inf;
DD（kk,W）=inf;
end
end
TABUkm（W）=0;%已访问过的节点从禁忌表中删除
forj=1:
length（DW1）
ifTABUkm（DW1（j））==0
DW（j）=inf;
end
end
LJD=find（DW
Len_LJD=length（LJD）;%可选节点的个数
end
%% 第五步：
记下每一代每一只蚂蚁的觅食路线和路线长度
ROUTES{k,m}=Path;
ifPath（end）==E
PL（k,m）=PLkm;
else
PL（k,m）=inf;
end
end
%%第六步：
更新信息素
Delta_Tau=zeros（N,N）;%更新量初始化
form=1:
M
ifPL（k,m） ROUT=ROUTES{k,m};
TS=length（ROUT）-1;%跳数
PL_km=PL（k,m）;
fors=1:
TS
x=ROUT（s）;
Delta_Tau（x,y）=Delta_Tau（x,y）+Q/PL_km;
Delta_Tau（y,x）=Delta_Tau（y,x）+Q/PL_km;
end
end
end
Tau=（1-Rho）.*Tau+Delta_Tau;%信息素挥发一部分，新增加一部分
end
%%---------------------------绘图--------------------------------
plotif=1;%是否绘图的控制参数
ifplotif==1
%绘收敛曲线
meanPL=zeros（1,K）;
minPL=zeros（1,K）;
fori=1:
K
PLK=PL（i,:
）;
Nonzero=find（PLK
PLKPLK=PLK（Nonzero）;
meanPL（i）=mean（PLKPLK）;
minPL（i）=min（PLKPLK）;
end
figure
（1）
plot（minPL）;
holdon
plot（meanPL）;
gridon
title（'收敛曲线（平均路径长度和最小路径长度）'）;
xlabel（'迭代次数'）;
ylabel（'路径长度'）;
%绘爬行图
figure
（2）
axis（[0,MM,0,MM]）
fori=1:
MM
forj=1:
MM
ifG（i,j）==1
x1=j-1;y1=MM-i;
x2=j;y2=MM-i;
x3=j;y3=MM-i+1;
x4=j-1;y4=MM-i+1;
fill（[x1,x2,x3,x4],[y1,y2,y3,y4],[0.2,0.2,0.2]）;
holdon
else
x1=j-1;y1=MM-i;
x2=j;y2=MM-i;
x3=j;y3=MM-i+1;
x4=j-1;y4=MM-i+1;
fill（[x1,x2,x3,x4],[y1,y2,y3,y4],[1,1,1]）;
holdon
end
end
end
holdon
ROUT=ROUTES{K,M};
LENROUT=length（ROUT）;
Rx=ROUT;
Ry=ROUT;
forii=1:
LENROUT
Rx（ii）=a*（mod（ROUT（ii）,MM）-0.5）;
ifRx（ii）==-0.5
Rx（ii）=MM-0.5;
end
Ry（ii）=a*（MM+0.5-ceil（ROUT（ii）/MM））;
end
plot（Rx,Ry）
end
plotif2=1;%绘各代蚂蚁爬行图
ifplotif2==1
figure（3）
axis（[0,MM,0,MM]）
fori=1:
MM
forj=1:
MM
ifG（i,j）==1
x1=j-1;y1=MM-i;
x2=j;y2=MM-i;
x3=j;y3=MM-i+1;
x4=j-1;y4=MM-i+1;
fill（[x1,x2,x3,x4],[y1,y2,y3,y4],[0.2,0.2,0.2]）;
holdon
else
x1=j-1;y1=MM-i;
x2=j;y2=MM-i;
x3=j;y3=MM-i+1;
x4=j-1;y4=MM-i+1;
fill（[x1,x2,x3,x4],[y1,y2,y3,y4],[1,1,1]）;
holdon
end
end
end
fork=1:
K
PLK=PL（k,:
）;
minPLK=min（PLK）;
pos=find（PLK==minPLK）;
m=pos
（1）;
ROUT=ROUTES{k,m};
LENROUT=length（ROUT）;
Rx=ROUT;
Ry=ROUT;
forii=1:
LENROUT
Rx（ii）=a*（mod（ROUT（ii）,MM）-0.5）;
ifRx（ii）==-0.5
Rx（ii）=MM-0.5;
end
Ry（ii）=a*（MM+0.5-ceil（ROUT（ii）/MM））;
end
plot（Rx,Ry）
holdon
end
end
将上述算法应用于机器人路径规划，优化效果如下图所示
原创】支持向量机和BP神经网络非线性回归之比较研究
支持向量机和BP神经网络虽然都可以用来做非线性回归，但它们所基于的理论基础不同，回归的机理也不相同。
支持向量机基于结构风险最小化理论，普遍认为其泛化能力要比神经网络的强。
为了验证这种观点，本文编写了支持向量机非线性回归的通用Matlab程序和基于神经网络工具箱的BP神经网络仿真模块，仿真结果证实，支持向量机做非线性回归不仅泛化能力强于BP网络，而且能避免神经网络的固有缺陷——训练结果不稳定。
我们编写的支持向量机非线性回归通用Matlab程序的主体部分如下
（声明：
此程序可当作工具箱使用，程序中的一些关键行被删掉了，一般人是难以将其补充完整的。
此程序定价200元一份，请勿再还价，如果有意购买，请与我们联系，Email：
greensim@）
function[Alpha1,Alpha2,Alpha,Flag,B]=SVMNR（X,Y,Epsilon,C,TKF）
%%
% SVMNR.m
% SupportVectorMachineforNonlinearRegression
% ChengAihua,PLAInformationEngineeringUniversity,ZhengZhou,China
% Email:
aihuacheng@
% Allrightsreserved
%%
% 支持向量机非线性回归通用程序
% 程序功能：
% 使用支持向量机进行非线性回归，得到非线性函数y=f（x1,x2,…,xn）的支持向量解析式，
% 求解二次规划时调用了优化工具箱的quadprog函数。
本函数在程序入口处对数据进行了
% [-1,1]的归一化处理，所以计算得到的回归解析式的系数是针对归一化数据的，仿真测
% 试需使用与本函数配套的Regression函数。
% 主要参考文献:
% 朱国强,刘士荣等.支持向量机及其在函数逼近中的应用.华东理工大学学报
% 输入参数列表
% X 输入样本原始数据，n×l的矩阵，n为变量个数，l为样本个数
% Y 输出样本原始数据，1×l的矩阵，l为样本个数
% Epsilon ε不敏感损失函数的参数，Epsilon越大，支持向量越少
% C 惩罚系数，C过大或过小，泛化能力变差
% TKF TypeofKernelFunction核函数类型
% TKF=1 线性核函数，注意：
使用线性核函数，将进行支持向量机的线性回归
% TKF=2 多项式核函数
% TKF=3 径向基核函数
% TKF=4 指数核函数
% TKF=5 Sigmoid核函数
% TKF=任意其它值，自定义核函数
% 输出参数列表
% Alpha1 α系数
% Alpha2 α*系数
% Alpha 支持向量的加权系数（α－α*）向量
% Flag 1×l标记，0对应非支持向量，1对应边界支持向量，2对
升级会员 