遗传算法 2精品毕业设计完整版.docx

1、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function net=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nntwarn offXX=premnmx(XX);YY=premnmx(YY);%创建网络ne

2、t=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gabpEvalx,endPop,bPop,trace=ga(aa,gabpE

3、val,initPpp,1e-6 1 1,maxGenTerm,gen,.normGeomSelect,0.09,arithXover,2,nonUnifMutation,2 gen 3);%绘收敛曲线图figure(1)plot(trace(:,1),1./trace(:,3),r-);hold onplot(trace(:,1),1./trace(:,2),b-);xlabel(Generation);ylabel(Sum-Squared Error);figure(2)plot(trace(:,1),trace(:,3),r-);hold onplot(trace(:,1),trace(

4、:,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.LW2,1=W1;net.LW3,2=W2;net.b2,1=B1;net.b3,1=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

5、：适应值函数function sol, val = gabpEval(sol,options)% val - the fittness of this individual% sol - the individual, returned to allow for Lamarckian evolution% options - current_generationload data2nntwarn offXX=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;

6、%遗传算法编码长度for i=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)load data2nntwarn offXX=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W1for i=1:S

7、1, for k=1:R, W1(i,k)=x(R*(i-1)+k); endend% 接着的S1*S2个编码（即第R*S1个后的编码）为W2for i=1:S2, for k=1:S1, W2(i,k)=x(S1*(i-1)+k+R*S1); endend% 接着的S1个编码（即第R*S1+S1*S2个后的编码）为B1for i=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B2for i=1:S2, B2(i,1)=x(R*S1+S1*S2+S1)+i);end% 计算S1与S2层的输出A1=tansi

8、g(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,PLA Information Engineering University,Zhe

9、ngZhou,China% Email:aihuacheng% All rights reserved% -% 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

10、爬行路线长度% Tau 输出动态修正过的信息素% -变量初始化-%loadD=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if Ex=-0.5 Ex=MM-0.5;endEy=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for i=1:Nif ix=-0.5 ix=MM-0.5; end iy=a*(MM+0.5-ceil(i/MM); if i=E Eta

11、(1,i)=1/(ix-Ex)2+(iy-Ey)2)0.5; else Eta(1,i)=100; endendROUTES=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-for k=1:K disp(k); for m=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=

12、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 for j=1:length(DW1) if TABUkm(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 while W=E&Len_LJD=1% 第三步：转轮赌法选择下一步怎么走 PP=zeros(1,Len_LJD); for i=1:Len_LJD PP(i)=(Tau(W,LJD(i)Alpha)*(Eta(LJD(i)Beta); end PP=P

13、P/(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 for kk=1:N if TABUkm(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 for j=1:length(DW1) if TABUkm(DW1(j)=0 DW(j)=inf; end en

14、d 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 ROUTESk,m=Path; if Path(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 for m=1:M if PL(k,m) ROUT=ROUTESk,m; TS=length(ROUT)-1;%跳数 PL_km=PL(k,m); for s=1:TS x=ROUT(s); Delta_Tau(x,y)=Delta

15、_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if plotif=1 %绘收敛曲线 meanPL=zeros(1,K); minPL=zeros(1,K); for i=1:K PLK=PL(i,:); Nonzero=find(PLK PLKPLK=PLK(Nonzero); meanPL(i)=mean(PLKPLK); minPL(i)=min(PLKPL

16、K); end figure(1) plot(minPL); hold on plot(meanPL); grid on 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) for i=1:MM for j=1:MM if G(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); hold on el

17、se 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); hold on end end end hold on ROUT=ROUTESK,M; LENROUT=length(ROUT); Rx=ROUT; Ry=ROUT; for ii=1:LENROUT Rx(ii)=a*(mod(ROUT(ii),MM)-0.5); if Rx(ii)=-0.5 Rx(ii)=MM-0.5; end Ry(ii)=a*(MM+0.5-ceil(ROUT(i

18、i)/MM); end plot(Rx,Ry)endplotif2=1;%绘各代蚂蚁爬行图if plotif2=1 figure(3) axis(0,MM,0,MM) for i=1:MM for j=1:MM if G(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); hold on 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

19、; fill(x1,x2,x3,x4,y1,y2,y3,y4,1,1,1); hold on end end end for k=1:K PLK=PL(k,:); minPLK=min(PLK); pos=find(PLK=minPLK); m=pos(1); ROUT=ROUTESk,m; LENROUT=length(ROUT); Rx=ROUT; Ry=ROUT; for ii=1:LENROUT Rx(ii)=a*(mod(ROUT(ii),MM)-0.5); if Rx(ii)=-0.5 Rx(ii)=MM-0.5; end Ry(ii)=a*(MM+0.5-ceil(ROUT(ii

20、)/MM); end plot(Rx,Ry) hold on endend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

21、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% Support Vector Machine for Nonlinear Regression% ChengAihua,PLA Information Engineering University,ZhengZhou,China% Email:

22、aihuacheng% All rights reserved% 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，nl的矩阵，n为变量个数，l为样本个数% Y

23、输出样本原始数据，1l的矩阵，l为样本个数% Epsilon 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 Type of Kernel Function 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 系数% Alpha2 *系数% Alpha 支持向量的加权系数（*）向量% Flag 1l标记，0对应非支持向量，1对应边界支持向量，2对