遗传算法优化的BP神经网络建模(12页).doc

《遗传算法优化的BP神经网络建模(12页).doc》由会员分享，可在线阅读，更多相关《遗传算法优化的BP神经网络建模(12页).doc（13页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、-遗传算法优化的BP神经网络建模-第 13 页遗传算法优化的BP神经网络建模十一月匆匆过去，每天依然在忙碌着与文档相关的东西，在寒假前一个多月里，努力做好手头上的事的前提下多学习专业知识，依然是坚持学习与素质提高并重，依然是坚持锻炼身体，为明年找工作打下基础。遗传算法优化的BP神经网络建模借鉴别人的程序做出的仿真，最近才有时间整理。目标：对y=x12+x22非线性系统进行建模，用1500组数据对网络进行构建网络，500组数据测试网络。由于BP神经网络初始神经元之间的权值和阈值一般随机选择，因此容易陷入局部最小值。本方法使用遗传算法优化初始神经元之间的权值和阈值，并对比使用遗传算法前后的效果。步

2、骤：未经遗传算法优化的BP神经网络建模1、随机生成2000组两维随机数(x1,x2)，并计算对应的输出y=x12+x22，前1500组数据作为训练数据input_train，后500组数据作为测试数据input_test。并将数据存储在data中待遗传算法中使用相同的数据。2、数据预处理：归一化处理。3、构建BP神经网络的隐层数，次数，步长，目标。4、使用训练数据input_train训练BP神经网络net。5、用测试数据input_test测试神经网络，并将预测的数据反归一化处理。6、分析预测数据与期望数据之间的误差。遗传算法优化的BP神经网络建模1、读取前面步骤中保存的数据data；2、对

3、数据进行归一化处理；3、设置隐层数目；4、初始化进化次数，种群规模，交叉概率，变异概率5、对种群进行实数编码，并将预测数据与期望数据之间的误差作为适应度函数；6、循环进行选择、交叉、变异、计算适应度操作，直到达到进化次数，得到最优的初始权值和阈值；7、将得到最佳初始权值和阈值来构建BP神经网络；8、使用训练数据input_train训练BP神经网络net;9、用测试数据input_test测试神经网络，并将预测的数据反归一化处理；10、分析预测数据与期望数据之间的误差。算法流程图如下：运行后使用遗传算法改进前后误差的对比图：程序：1、未经遗传算法优化的BP神经网络建模clear;clc;%输入

4、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 %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:M),:);input_test=input(n(M+1):N),:);output_test=outpu

5、t(n(M+1):N),:);%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);=100;net.trainParam.lr=0.1;=0.0000004;%BP神经网络训练net=train(net,inputn,outputn);%测试样本归一化inputn_test=mapminmax(apply,input_test,inputs);%BP神经网络预测an=sim(net,inputn_test);

6、%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,rx);hold on;%plot(output_test,-*);scatter(1:(N-M),output_test,o);legend(预测输出,期望输出,fontsize,12);title(BP网络预测输出,fontsize,12);xlabel(样本,fontsize,12);xlabel(优化前输出的误差,fontsize,12);figure(2)error=BPoutp

7、ut-output_test;plot(1:(N-M),error);xlabel(样本,fontsize,12);ylabel(优化前输出的误差,fontsize,12);%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load %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);o

8、utput_test=output(1501:2000);%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=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+hiddenn

9、um+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(i,:)=Code(lenchrom

10、,bound);%编码x=(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();bestchrom=(bestindex,:);%最好的染色体%avgfitness=sum()/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:m

11、axgeni% 选择individuals=Select(individuals,sizepop);% avgfitness=sum()/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:sizepopx=(j,:); %解码individuals.fitness(j

12、)=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();worestfitness,worestindex=max();% 代替上一次进化中最好的染色体if bestfitnessnewbestfitnessbestfitness=newbestfitness;bestchrom=(newbestindex,:);end(worestindex,:)=bestchrom;(worestindex)=bestfitn

13、ess;%avgfitness=sum()/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(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);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

14、(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);1,1=reshape(w1,hidd

15、ennum,inputnum);2,1=reshape(w2,outputnum,hiddennum);1=reshape(B1,hiddennum,1);2=B2;% BP网络训练%网络进化参数=100;net.trainParam.lr=0.1;%=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

16、);error=test_simu-output_test;%figure(4);hold on;plot(1:500,error,r);legend(优化前的误差,优化后的误差,fontsize,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% boundinput : 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

17、)+(bound(:,2)-bound(:,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end(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%inputnuminput输入层节点数%outputnuminput隐含层节点数%netinput网络%inputninput训练输入数据%outputninput训练输出数据%erroroutp

18、ut个体适应度值%提取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=

19、newff(inputn,outputn,hiddennum);%网络进化参数=20;net.trainParam.lr=0.1;=0.00001;=100;=0;%网络权值赋值1,1=reshape(w1,hiddennum,inputnum);2,1=reshape(w2,outputnum,hiddennum);1=reshape(B1,hiddennum,1);2=B2;%网络训练net=train(net,inputn,outputn);an=sim(net,inputn);error=sum(abs(an-outputn);(4)选择操作Select.mfunction ret=s

20、elect(individuals,sizepop)% 该函数用于进行选择操作% individuals input种群信息% sizepopinput种群规模% retoutput选择后的新种群%求适应度值倒数a bestch=min();%b=(bestch);%c=(bestch);fitness1=10./; %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=;for i=1:sizepop%sizepop为种群数pick=rand;while pick=0pick=r

21、and;endfor i=1:sizepoppick=pick-sumf(i);if pickpcrosscontinue;endflag=0;while flag=0% 随机选择交叉位pick=rand;while pick=0pick=rand;endpos=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

22、;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=0flag=0;else flag=1;end%如果两个染色体不是都可行，则重新交叉endendret=chrom;(6)变异操作Mutation.mfunction ret=Mutation(pmutation,lenchrom,chrom,sizepop

23、,num,maxgen,bound)% 本函数完成变异操作% pcorssinput: 变异概率% lenchrominput: 染色体长度% chrominput: 染色体群% sizepopinput: 种群规模% optsinput: 变异方法的选择% popinput: 当前种群的进化代数和最大的进化代数信息% boundinput: 每个个体的上届和下届% maxgeninput：最大迭代次数% numinput: 当前迭代次数% retoutput : 变异后的染色体for i=1:sizepop%每一轮for循环中，可能会进行一次变异操作，染色体是随机选择的，变异位置也是随机选择

24、的，%但该轮for循环中是否进行变异操作则由变异概率决定（continue控制）% 随机选择一个染色体进行变异pick=rand;while pick=0pick=rand;endindex=ceil(pick*sizepop);% 变异概率决定该轮循环是否进行变异pick=rand;if pickpmutationcontinue;endflag=0;while flag=0% 变异位置pick=rand;while pick=0pick=rand;endpos=ceil(pick*sum(lenchrom);%随机选择了染色体变异的位置，即选择了第pos个变量进行变异pick=rand; %变异开始fg=(rand*(1-num/maxgen)2;ifchrom(i,pos)=chrom(i,pos)+(bound(pos,2)-chrom(i,pos)*fg;elsechrom(i,pos)=chrom(i,pos)-(chrom(i,pos)-bound(pos,1)*fg;end%变异结束flag=test(lenchrom,bound,chrom(i,:);%检验染色体的可行性endendret=chrom;