遗传算法优化BP神经网络的实现代码

%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'

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

精彩文档

},'trainlm'

);

实用标准文案

function ret=Cross(pcross,lenchrom,chrom,sizepop,bound)

%本函数完成交叉操作% pcorss input : % lenchrom input : % chrom input : % sizepop input : % ret output : for制）

% 随机选择两个染色体进行交叉 pick=rand(1,2);

while

prod(pick)==0

i=1:sizepop

%每一轮for%但该轮for

叉位置也是随机选择的，

染色体群

种群规模交叉后的染色体

循环中，可能会进行一次交叉操作，染色体是随机选择的，交循环中是否进行交叉操作则由交叉概率决定（

continue

控

交叉概率染色体的长度

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 pick>pcross

continueend flag=0;

while

flag==0% 随机选择交叉位

pick=rand;

while

pick=rand;

end

pos=ceil(pick.*sum(lenchrom));

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; flag1=test(lenchrom,bound,chrom(index(1),:)); flag2=test(lenchrom,bound,chrom(index(2),:));

if flag1*flag2==0

%交叉结束

%检验染色体%检验染色体

1的可行性2的可行性

%随机选择进行交叉的位置，即选择第几个变

pick==0

;

精彩文档

实用标准文案

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

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,:)';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; sizepop=10; pcross=[0.3]; pmutation=[0.1];

%节点总数

精彩文档

%进化代数，即迭代次数%种群规模%交叉概率选择，0和1之间%变异概率选择，

0和1之间

实用标准文案

numsum=inputnum*hiddennum+hiddennum+hiddennum*outputnum+outputnum;lenchrom=ones(1,numsum);

bound=[-3*ones(numsum,1) 3*ones(numsum,1)];

%数据范围

%--------------------------------------------------------------------------------------------------------------individuals=struct('fitness'

,zeros(1,sizepop),

'chrom'

种群初始化

,[]); %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

精彩文档

和grey的

实用标准文案

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 bestfitness>newbestfitness bestfitness=newbestfitness;

bestchrom=individuals.chrom(newbestindex,:);

end

individuals.chrom(worestindex,:)=bestchrom; individuals.fitness(worestindex)=bestfitness;

avgfitness=sum(individuals.fitness)/sizepop;

trace=[trace;avgfitness bestfitness]; 应度end

%% 遗传算法结果分析 figure(1)[r c]=size(trace);plot([1:r]',trace(:,2),title([xlabel(legend(disp(

'适应度曲线 '

'b--'

);

%记录每一代进化中最好的适应度和平均适

'终止代数＝' num2str(maxgen)]);

'适应度');

'进化代数');ylabel(

'平均适应度','最佳适应度');'适应度

变量');

精彩文档

实用标准文案

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.iw{1,1}=reshape(w1,hiddennum,inputnum);net.lw{2,1}=reshape(w2,outputnum,hiddennum);net.b{1}=reshape(B1,hiddennum,1);net.b{2}=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(an=sim(net,inputn_test);test_simu=mapminmax(error=test_simu-output_test;

'reverse'

,an,outputps);

'apply'

,input_test,inputps);

精彩文档