遗传算法优化的BP神经网络建模文档格式.docx

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 outputload data.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=in

2、put（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=ma

3、pminmax（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=BPoutp

4、ut-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,inputp

5、s=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individ

7、uals.fitness（i）=fun（x,inputnum,hiddennum,outputnum,net,inputn,outputn）;%染色体的适应度%找最好的染色体bestfitness bestindex=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=avgfitness bestfitness;% 迭代求解最佳初始阀值

8、和权值% 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=individua

9、ls.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if bestfitnessnewbestfitnessbestfitness=newbestfitness;bestch

10、rom=individuals.chrom（newbestindex,:individuals.chrom（worestindex,:）=bestchrom;individuals.fitness（worestindex）=bestfitness;% trace=trace;avgfitness bestfitness; %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（

11、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:inputn

12、um*hiddennum+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

13、=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）（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）-boun

14、d（:,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+h

15、iddennum*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 b

16、estch=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 pickpcros

17、scontinue;% 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