2022年遗传算法优化BP神经网络实现代码 .pdf

%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名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 1 页，共 6 页 - - - - - - - - - function ret=Cross(pcross,lenchrom,chrom,sizepop,bound)%本函数完成交叉操作% pcorss input : 交叉概率% lenchrom input : 染色体的长度% chrom input : 染色体群% sizepop input : 种群规模% ret output : 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);while prod(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;while pick=0 pick=rand;endif pickpcrosscontinue;end flag=0;while flag=0% 随机选择交叉位 pick=rand;while pick=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if flag1*flag2=0名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 2 页，共 6 页 - - - - - - - - - flag=0;else flag=1;end%如果两个染色体不是都可行，则重新交叉endendret=chrom;% 清空环境变量clcclear% % 网络结构建立%读取数据load datainputoutput%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%节点总数名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 3 页，共 6 页 - - - - - - - - - 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for i=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和权值% 进化开始for i=1:maxgen i% 选择 individuals=Select(individuals,sizepop); avgfitness=sum(individuals.fitness)/sizepop;% 交叉名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 4 页，共 6 页 - - - - - - - - - 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: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if bestfitnessnewbestfitness bestfitness=newbestfitness; bestchrom=individuals.chrom(newbestindex,:);end individuals.chrom(worestindex,:)=bestchrom; individuals.fitness(worestindex)=bestfitness; avgfitness=sum(individuals.fitness)/sizepop; trace=trace;avgfitness bestfitness; %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)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 );ylabel( 适应度 );legend( 平均适应度 , 最佳适应度 );disp( 适应度变量 );名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 5 页，共 6 页 - - - - - - - - - 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.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.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;名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 6 页，共 6 页 - - - - - - - - -