遗传算法优化BP神经网络的实现代码.docx
《遗传算法优化BP神经网络的实现代码.docx》由会员分享，可在线阅读，更多相关《遗传算法优化BP神经网络的实现代码.docx（10页珍藏版）》请在冰豆网上搜索。
遗传算法优化BP神经网络的实现代码
%读取数据
data=xlsread（'data.xls'）;
%训练预测数据
data_train=data（1:
113,:
）;
data_test=data（118:
123,:
）;
input_train=data_train（:
1:
9）';
output_train=data_train（:
10）';
input_test=data_test（:
1:
9）';
output_test=data_test（:
10）';
%数据归一化
[inputn,mininput,maxinput,outputn,minoutput,maxoutput]=premnmx（input_train,output_train）;%对p和t进行字标准化预处理
net=newff（minmax（inputn）,[10,1],{'tansig','purelin'},'trainlm'）;
net.trainParam.epochs=100;
net.trainParam.lr=0.1;
net.trainParam.goal=0.00001;
%net.trainParam.show=NaN
%网络训练
net=train（net,inputn,outputn）;
%数据归一化
inputn_test=tramnmx（input_test,mininput,maxinput）;
an=sim（net,inputn）;
test_simu=postmnmx（an,minoutput,maxoutput）;
error=test_simu-output_train;
plot（error）
k=error./output_train
functionret=Cross（pcross,lenchrom,chrom,sizepop,bound）
%本函数完成交叉操作
%pcorssinput:
交叉概率
%lenchrominput:
染色体的长度
%chrominput:
染色体群
%sizepopinput:
种群规模
%retoutput:
交叉后的染色体
fori=1:
sizepop%每一轮for循环中，可能会进行一次交叉操作，染色体是随机选择的，交叉位置也是随机选择的，%但该轮for循环中是否进行交叉操作则由交叉概率决定（continue控制）
%随机选择两个染色体进行交叉
pick=rand（1,2）;
whileprod（pick）==0
pick=rand（1,2）;
end
index=ceil（pick.*sizepop）;
%交叉概率决定是否进行交叉
pick=rand;
whilepick==0
pick=rand;
end
ifpick>pcross
continue;
end
flag=0;
whileflag==0
%随机选择交叉位
pick=rand;
whilepick==0
pick=rand;
end
pos=ceil（pick.*sum（lenchrom））;%随机选择进行交叉的位置，即选择第几个变量进行交叉，注意：
两个染色体交叉的位置相同
pick=rand;%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;%交叉结束
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
ifflag1*flag2==0
flag=0;
elseflag=1;
end%如果两个染色体不是都可行，则重新交叉
end
end
ret=chrom;
%清空环境变量
clc
clear
%
%%网络结构建立
%读取数据
loaddatainputoutput
%节点个数
inputnum=2;
hiddennum=5;
outputnum=1;
%训练数据和预测数据
input_train=input（1:
1900,:
）';
input_test=input（1901:
2000,:
）';
output_train=output（1:
1900）';
output_test=output（1901:
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=10;%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）];%数据范围
%------------------------------------------------------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=[];%每一代种群的最佳适应度
bestchrom=[];%适应度最好的染色体
%初始化种群
fori=1:
sizepop
%随机产生一个种群
individuals.chrom（i,:
）=Code（lenchrom,bound）;%编码（binary和grey的编码结果为一个实数，float的编码结果为一个实数向量）
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
end
%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];
%%迭代求解最佳初始阀值和权值
%进化开始
fori=1:
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:
sizepop
x=individuals.chrom（j,:
）;%解码
individuals.fitness（j）=fun（x,inputnum,hiddennum,outputnum,net,inputn,outputn）;
end
%找到最小和最大适应度的染色体及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,:
）;
end
individuals.chrom（worestindex,:
）=bestchrom;
individuals.fitness（worestindex）=bestfitness;
avgfitness=sum（individuals.fitness）/sizepop;
trace=[trace;avgfitnessbestfitness];%记录每一代进化中最好的适应度和平均适应度
end
%%遗传算法结果分析
figure
（1）
[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'）;ylabel（'适应度'）;
legend（'平均适应度','最佳适应度'）;
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网络进行值预测
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.epochs=100;
net.trainParam.lr=0.1;
%net.trainParam.goal=0.00001;
%网络训练
[net,per2]=train（net,inputn,outputn）;
%%BP网络预测
%数据归一化
inputn_test=mapminmax（'apply',input_test,inputps）;
an=sim（net,inputn_test）;
test_simu=mapminmax（'reverse',an,outputps）;
error=test_simu-output_test;
升级会员 