遗传算法优化的BP神经网络建模Word文档格式.docx
《遗传算法优化的BP神经网络建模Word文档格式.docx》由会员分享，可在线阅读，更多相关《遗传算法优化的BP神经网络建模Word文档格式.docx（19页珍藏版）》请在冰点文库上搜索。
1、未经遗传算法优化的BP神经网络建模
clear;
clc;
%%%%%%%%%%%%%输入参数%%%%%%%%%%%%%%
N=2000;
%数据总个数
M=1500;
%训练数据
%%%%%%%%%%%%%训练数据%%%%%%%%%%%%%%
fori=1:
N
input（i,1）=-5+rand*10;
input（i,2）=-5+rand*10;
end
output=input（:
1）.^2+input（:
2）.^2;
savedatainputoutput
%从1到N随机排序
k=rand（1,N）;
[m,n]=sort（k）;
%找出训练数据和预测数据
input_train=input（n（1:
M）,:
）'
;
output_train=output（n（1:
input_test=input（n（（M+1）:
N）,:
output_test=output（n（（M+1）:
%数据归一化
[inputn,inputs]=mapminmax（input_train）;
[outputn,outputs]=mapminmax（output_train）;
%构建BP神经网络
net=newff（inputn,outputn,5）;
net.trainParam.epochs=100;
net.trainParam.lr=0.1;
net.trainParam.goal=0.0000004;
%BP神经网络训练
net=train（net,inputn,outputn）;
%测试样本归一化
inputn_test=mapminmax（'
apply'
input_test,inputs）;
%BP神经网络预测
an=sim（net,inputn_test）;
%%网络得到数据反归一化
BPoutput=mapminmax（'
reverse'
an,outputs）;
figure
（1）
%plot（BPoutput,'
:
og'
）;
scatter（1:
（N-M）,BPoutput,'
rx'
holdon;
%plot（output_test,'
-*'
（N-M）,output_test,'
o'
legend（'
预测输出'
'
期望输出'
fontsize'
12）;
title（'
BP网络预测输出'
xlabel（'
样本'
优化前输出的误差'
figure
（2）
error=BPoutput-output_test;
plot（1:
（N-M）,error）;
ylabel（'
%savenetnetinputsoutputs
2、遗传算法优化的BP神经网络建模
〔1〕主程序
%清空环境变量
clc
clear
%读取数据
%节点个数
inputnum=2;
hiddennum=5;
outputnum=1;
%训练数据和预测数据
input_train=input（1:
1500,:
input_test=input（1501:
2000,:
output_train=output（1:
1500）'
output_test=output（1501:
2000）'
%选连样本输入输出数据归一化
[inputn,inputps]=mapminmax（input_train）;
[outputn,outputps]=mapminmax（output_train）;
%构建网络
net=newff（inputn,outputn,hiddennum）;
%%遗传算法参数初始化
maxgen=10;
%进化代数，即迭代次数
sizepop=30;
%种群规模
pcross=[0.3];
%交叉概率选择，0和1之间
pmutation=[0.1];
%变异概率选择，0和1之间
%节点总数
numsum=inputnum*hiddennum+hiddennum+hiddennum*outputnum+outputnum;
lenchrom=ones（1,numsum）;
bound=[-3*ones（numsum,1）3*ones（numsum,1）];
%数据围
%------------------------------------------------------种群初始化------------------------------%------------------
--------
individuals=struct（'
fitness'
zeros（1,sizepop）,'
chrom'
[]）;
%将种群信息定义为一个结构体
%avgfitness=[];
%每一代种群的平均适应度
bestfitness=[];
%每一代种群的最优适应度
bestchrom=[];
%适应度最好的染色体
%初始化种群
sizepop
%随机产生一个种群
individuals.chrom（i,:
）=Code（lenchrom,bound）;
%编码
x=individuals.chrom（i,:
%计算适应度
individuals.fitness（i）=fun（x,inputnum,hiddennum,outputnum,net,inputn,outputn）;
%染色体的适应度
%找最好的染色体
[bestfitnessbestindex]=min（individuals.fitness）;
bestchrom=individuals.chrom（bestindex,:
%最好的染色体
%avgfitness=sum（individuals.fitness）/sizepop;
%染色体的平均适应度
%记录每一代进化中最好的适应度和平均适应度
%trace=[avgfitnessbestfitness];
%%迭代求解最优初始阀值和权值
%进化开始
maxgen
i
%选择
individuals=Select（individuals,sizepop）;
%avgfitness=sum（individuals.fitness）/sizepop;
%交叉
individuals.chrom=Cross（pcross,lenchrom,individuals.chrom,sizepop,bound）;
%变异
individuals.chrom=Mutation（pmutation,lenchrom,individuals.chrom,sizepop,i,maxgen,bound）;
%计算适应度
forj=1:
x=individuals.chrom（j,:
%解码
individuals.fitness（j）=fun（x,inputnum,hiddennum,outputnum,net,inputn,outputn）;
%找到最小和最大适应度的染色体与它们在种群中的位置
[newbestfitness,newbestindex]=min（individuals.fitness）;
[worestfitness,worestindex]=max（individuals.fitness）;
%代替上一次进化中最好的染色体
ifbestfitness>
newbestfitness
bestfitness=newbestfitness;
bestchrom=individuals.chrom（newbestindex,:
individuals.chrom（worestindex,:
）=bestchrom;
individuals.fitness（worestindex）=bestfitness;
%trace=[trace;
avgfitnessbestfitness];
%记录每一代进化中最好的适应度和平均适应度
%%遗传算法结果分析
%figure（3）
%[rc]=size（trace）;
%plot（[1:
r]'
trace（:
2）,'
b--'
%title（['
适应度曲线
'
'
终止代数＝'
num2str（maxgen）]）;
%xlabel（'
进化代数'
适应度'
%legend（'
平均适应度'
最优适应度'
disp（'
适应度
变量'
x=bestchrom;
%%把最优初始阀值权值赋予网络预测
%%用遗传算法优化的BP网络进展值预测
w1=x（1:
inputnum*hiddennum）;
B1=x（inputnum*hiddennum+1:
inputnum*hiddennum+hiddennum）;
w2=x（inputnum*hiddennum+hiddennum+1:
inputnum*hiddennum+hiddennum+hiddennum*outputnum）;
B2=x
（inputnum*hiddennum+hiddennum+hiddennum*outputnum+1:
inputnum*hiddennum+hiddennum+hiddennum*outputnum+outputnum）;
net.iw{1,1}=reshape（w1,hiddennum,inputnum）;
net.lw{2,1}=reshape（w2,outputnum,hiddennum）;
net.b{1}=reshape（B1,hiddennum,1）;
net.b{2}=B2;
%%BP网络训练
%网络进化参数
%net.trainParam.goal=0.00001;
%网络训练
[net,per2]=train（net,inputn,outputn）;
%%BP网络预测
input_test,inputps）;
test_simu=mapminmax（'
an,outputps）;
error=test_simu-output_test;
%figure（4）;
500,error,'
r'
优化前的误差'
优化后的误差'
12）
functionret=Code（lenchrom,bound）
%本函数将变量编码成染色体，用于随机初始化一个种群
%lenchrom
input:
染色体长度
%bound
变量的取值围
%ret
output:
染色体的编码值
flag=0;
whileflag==0
pick=rand（1,length（lenchrom））;
ret=bound（:
1）'
+（bound（:
2）-bound（:
1））'
.*pick;
%线性插值，编码结果以实数向量存入ret中
flag=test（lenchrom,bound,ret）;
%检验染色体的可行性
functionerror=fun（x,inputnum,hiddennum,outputnum,net,inputn,outputn）
%该函数用来计算适应度值
%x
input
个体
%inputnum
输入层节点数
%outputnum
隐含层节点数
%net
网络
%inputn
训练输入数据
%outputn
训练输出数据
%error
output
个体适应度值
%提取
B2=x（inputnum*hiddennum+hiddennum+hiddennum*outputnum+1:
net.trainParam.epochs=20;
net.trainParam.goal=0.00001;
net.trainParam.show=100;
net.trainParam.showWindow=0;
%网络权值赋值
an=sim（net,inputn）;
error=sum（abs（an-outputn））;
functionret=select（individuals,sizepop）
%该函数用于进展选择操作
%individualsinput
种群信息
%sizepop
种群规模
选择后的新种群
%求适应度值倒数
[abestch]=min（individuals.fitness）;
%b=individuals.chrom（bestch）;
%c=individuals.fitness（bestch）;
%个体选择概率
sumfitness=sum（fitness1）;
sumf=fitness1./sumfitness;
%采用轮盘赌法选择新个体
index=[];
sizepop
%sizepop为种群数
pick=rand;
whilepick==0
pick=pick-sumf（i）;
ifpick<
0
index=[indexi];
break;
%index=[indexbestch];
%新种群
individuals.fitness=individuals.fitness（index）;
%individuals.chrom=[individuals.chrom;
b];
%individuals.fitness=[individuals.fitness;
c];
ret=individuals;
functionret=Cross（pcross,lenchrom,chrom,sizepop,bound）
%本函数完成交叉操作
%pcorss
交叉概率
染色体的长度
%chrom
染色体群
种群规模
output:
交叉后的染色体
%每一轮for循环中，可能会进展一次交叉操作，染色体是随机选择的，交叉位置也是随机选择的，%但该轮for循环中是否进展交叉操作如此由交叉概率决定〔continue控制〕
%随机选择两个染色体进展交叉
pick=rand（1,2）;
whileprod（pick）==0
index=ceil（pick.*sizepop）;
%交叉概率决定是否进展交叉
whilepick==0
ifpick>
pcross
continue;
%随机选择交叉位
pos=ceil（pick.*sum（lenchrom））;
%随机选择进展交叉的位置，即选择第几个变量进展交叉，注意：
两个染色体交叉的位置一样
%交叉开始
v1=chrom（index
（1）,pos）;
v2=chrom（index
（2）,pos）;
chrom（index
（1）,pos）=pick*v2+（1-pick）*v1;
chrom（index
（2）,pos）=pick*v1+（1-pick）*v2;
%交叉完毕
flag1=test（lenchrom,bound,chrom（index
（1）,:
））;
%检验染色体1的可行性
flag2=test（lenchrom,bound,chrom（index
（2）,:
%检验染色体2的可行性
if
flag1*flag2==0
elseflag=1;
end
%如果两个染色体不是都可行，如此重新交叉
ret=chrom;
functionret=Mutation（pmutation,lenchrom,chrom,sizepop,num,maxgen,bound）
%本函数完成变异操作
变异概率
%opts
变异方法的选择
%pop
当前种群的进化代数和最大的进化代数信息
升级会员 