遗传算法优化BP神经网络实现代码.doc

《遗传算法优化BP神经网络实现代码.doc》由会员分享，可在线阅读，更多相关《遗传算法优化BP神经网络实现代码.doc（6页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、%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);

2、%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=post

3、mnmx(an,minoutput,maxoutput); error=test_simu-output_train; plot(error) k=error./output_train 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 for i=1:sizepop %每一轮for循环中，可能会

4、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; end if pickpcross continue; end flag=0; while flag=0 % 随机选择交叉位 pick=rand; while pi

5、ck=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

6、性 flag2=test(lenchrom,bound,chrom(index(2),:); %检验染色体2的可行性 if flag1*flag2=0 flag=0; else flag=1; end %如果两个染色体不是都可行，则重新交叉 end endret=chrom;% 清空环境变量clcclear% % 网络结构建立%读取数据load data input output %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,:)

7、;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

8、%节点总数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

9、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);bestc

10、hrom=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 individuals.chro

11、m=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

12、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.

13、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);x=bestchr

14、om; % 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+hidde

15、nnum*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; （注：专业文档是经验性极强的领域，无法思考和涵盖全面，素材和资料部分来自网络，供参考。可复制、编制，期待你的好评与关注）