1、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%for i=1:Ninput(i,1)=-5+rand*10;input(i,2)=-5+rand*10;endoutput=input(:,1).2+input(:,2).2;save data input outputloaddata.mat%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=inp
2、ut(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=map
3、minmax(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,rxhold on;%plot(output_test,-*(N-M),output_test,olegend(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=BPoutpu
4、t-output_test;plot(1:(N-M),error);ylabel(%save net net inputs outputs2、遗传算法优化的BP神经网络建模(1)主程序%清空环境变量clcclear%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
5、=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);
6、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individu
7、als.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;% 迭代求解最佳初始阀值和权值
8、% 进化开始maxgeni% 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for j=1:x=individuals.
9、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ifbestfitnessnewbestfitnessbestfitness=newbestfitness;bestchrom=
10、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)%r c=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
11、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*hi
12、ddennum+hiddennum+hiddennum*outputnum+outputnum);net.iw1,1=reshape(w1,hiddennum,inputnum);net.lw2,1=reshape(w2,outputnum,hiddennum);net.b1=reshape(B1,hiddennum,1);net.b2=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=mapm
13、inmax(,an,outputps);error=test_simu-output_test;%figure(4);holdon;500,error,r优化前的误差优化后的误差,12)(2)编码子程序code.mfunction ret=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% lenchrominput : 染色体长度% bound 变量的取值范围% retoutput: 染色体的编码值flag=0;while flag=0pick=rand(1,length(lenchrom);ret=bound(:,1)+(bound(:,2)-bo
14、und(:,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(3)适应度函数fun.mfunction error = fun(x,inputnum,hiddennum,outputnum,net,inputn,outputn)%该函数用来计算适应度值%xinput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%erroroutput个体适应度值%提取B2=x(inputnum*hiddennum+hiddennum
15、+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);(4)选择操作Select.mfunction ret=select(individuals,sizepop)% 该函数用于进行选择操作% individuals input种群信息% sizepop种群规模选择后的新种群%求适应度值倒数a
16、bestch=min(individuals.fitness);%b=individuals.chrom(bestch);%c=individuals.fitness(bestch);fitness1=10./individuals.fitness; %individuals.fitness为个体适应度值%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;while pick=0pick=pick-sumf(i);if pickpcro
17、sscontinue;% 随机选择交叉位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 %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=0else flag=1;end%如果两个染色体不是都可行,则重新交叉ret=chrom;(6)变异操作Mutation.mfunction ret=Mutation(pmutation,lenchrom,chrom,sizepop,num,maxgen,bound)% 本函数完成变异操作
copyright@ 2008-2022 冰豆网网站版权所有
经营许可证编号:鄂ICP备2022015515号-1