遗传算法优化的BP神经网络建模Word格式文档下载.docx
- 文档编号:3852978
- 上传时间:2023-05-02
- 格式:DOCX
- 页数:19
- 大小:753.20KB
遗传算法优化的BP神经网络建模Word格式文档下载.docx
《遗传算法优化的BP神经网络建模Word格式文档下载.docx》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Word格式文档下载.docx(19页珍藏版)》请在冰点文库上搜索。
fori=1:
N
input(i,1)=-5+rand*10;
input(i,2)=-5+rand*10;
end
output=input(:
1).^2+input(:
2).^2;
savedatainputoutput
?
load
%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=input(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);
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);
%%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'
holdon;
%plot(output_test,'
-*'
(N-M),output_test,'
o'
legend('
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=BPoutput-output_test;
plot(1:
(N-M),error);
ylabel('
%savenetnetinputsoutputs
2、遗传算法优化的BP神经网络建模
(1)主程序
%清空环境变量
clc
clear
%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,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=[];
%交叉概率选择,0和1之间
pmutation=[];
%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);
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
(i,:
)=Code(lenchrom,bound);
%编码
x=(i,:
%计算适应度
(i)=fun(x,inputnum,hiddennum,outputnum,net,inputn,outputn);
%染色体的适应度
%找最好的染色体
[bestfitnessbestindex]=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=[avgfitnessbestfitness];
%%迭代求解最佳初始阀值和权值
%进化开始
maxgen
i
%选择
individuals=Select(individuals,sizepop);
%avgfitness=sum/sizepop;
%交叉
=Cross(pcross,lenchrom,,sizepop,bound);
%变异
=Mutation(pmutation,lenchrom,,sizepop,i,maxgen,bound);
%计算适应度
forj=1:
x=(j,:
%解码
(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;
[worestfitness,worestindex]=max;
%代替上一次进化中最好的染色体
ifbestfitness>
newbestfitness
bestfitness=newbestfitness;
bestchrom=(newbestindex,:
(worestindex,:
)=bestchrom;
(worestindex)=bestfitness;
%trace=[trace;
avgfitnessbestfitness];
%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)
%[rc]=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('
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:
inputnum*hiddennum+hiddennum+hiddennum*outputnum+outputnum);
{1,1}=reshape(w1,hiddennum,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
%网络训练
[net,per2]=train(net,inputn,outputn);
%%BP网络预测
input_test,inputps);
test_simu=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
functionret=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
%lenchrom?
input:
染色体长度
%bound?
变量的取值范围
%ret?
output:
染色体的编码值
flag=0;
whileflag==0
pick=rand(1,length(lenchrom));
ret=bound(:
1)'
+(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
(3)适应度函数
functionerror=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
%erroroutput个体适应度值
%提取
B2=x(inputnum*hiddennum+hiddennum+hiddennum*outputnum+1:
网络权值赋值
an=sim(net,inputn);
error=sum(abs(an-outputn));
(4)选择操作
functionret=select(individuals,sizepop)
%该函数用于进行选择操作
%individualsinput?
种群信息
%sizepopinput种群规模
%retoutput选择后的新种群
%求适应度值倒数?
[abestch]=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=[];
sizepop%sizepop为种群数
pick=rand;
whilepick==0
pick=pick-sumf(i);
ifpick<
index=[indexi];
break;
%index=[indexbestch];
%新种群
=(index,:
%为种群中个体
=(index);
%=[;
b];
c];
ret=individuals;
(5)交叉操作
functionret=Cross(pcross,lenchrom,chrom,sizepop,bound)
%本函数完成交叉操作
%pcorssinput:
交叉概率
%lenchrominput:
染色体的长度
%chrominput:
染色体群
%sizepopinput:
种群规模
output:
交叉后的染色体
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);
whileprod(pick)==0
index=ceil(pick.*sizepop);
%交叉概率决定是否进行交叉
ifpick>
pcross
continue;
%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==0
elseflag=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
functionret=Mutation(pmutation,lenchrom,chrom,sizepop,num,maxgen,bound)
%本函数完成变异操作
变异概率
%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
变异后的染色体
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
index=ceil(pick*sizepop);
%变异概率决定该轮循环是否进行变异
pmutation
%变异位置
pos=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
%变异开始
fg=(rand*(1-num/maxgen))^2;
chrom(i,pos)=chrom(i,pos)+(bound(pos,2)-chrom(i,pos))*fg;
else
chrom(i,pos)=chrom(i,pos)-(chrom(i,pos)-bound(pos,1))*fg;
end%变异结束
flag=test(lenchrom,bound,chrom(i,:
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 遗传 算法 优化 BP 神经网络 建模