基于遗传算法优化的BP神经网络算法

所用数据同“2 - 较复杂的BP神经网络实现”
GAMain.m

clc
clear
close all
%% 加载神经网络的训练样本 测试样本每列一个样本 输入P 输出T
%样本数据就是前面问题描述中列出的数据
load dataa
% warning('off')
% 初始隐层神经元个数
%hiddennum=31;
hiddennum=13;
inputnum=size(P1,1);       % 输入层神经元个数
outputnum=size(T1,1);      % 输出层神经元个数
w1num=inputnum*hiddennum; % 输入层到隐层的权值个数=输入层*隐含层节点个数
w2num=outputnum*hiddennum;% 隐层到输出层的权值个数=输出层*隐含层节点个数
N=w1num+hiddennum+w2num+outputnum; %待优化的变量的个数=权值+阈值（隐含层+输出层节点个数）%% 定义遗传算法参数
NIND=40;        %个体数目，种群大小  #可修改该值来调整优化效果
MAXGEN=100;      %最大遗传代数  #可修改该值来调整优化效果
PRECI=10;       %变量的二进制位数，个体长度                                  ？？如何确定，对优化结果有何影响
GGAP=0.95;      %代沟，95%的父代复制给了子代。GGAP缺省或NaN表示=1，GGAP也可大于1。传统遗传算子包括:选择,交叉,变异；新的遗传算子,如代沟,人工选择等等
px=0.7;         %交叉概率
pm=0.01;        %变异概率
trace=zeros(N+1,MAXGEN);                        %寻优结果的初始值，初始权值和阈值FieldD=[repmat(PRECI,1,N);repmat([-0.5;0.5],1,N);repmat([1;0;1;1],1,N)];  %区域描述器 ？？Chrom=crtbp(NIND,PRECI*N);    %初始种群，创建任意离散随机种群矩阵，NIND行PRECI*N列，个体数目*个体长度
%% 优化
gen=0;                                 %代计数器
X=bs2rv(Chrom,FieldD);                 %计算初始种群的十进制转换
ObjV=Objfun(X,P1,T1,hiddennum,P1_test,T1_test);  %计算目标函数值，计算适应度值，  ？？
while gen<MAXGENfprintf('%d\n',gen)FitnV=ranking(ObjV); %分配适应度值。按照个体的目标值ObjV（列向量）由小到大的顺序对个体进行排序，并返回个体适应度值FitnV的列向量SelCh=select('sus',Chrom,FitnV,GGAP); %选择。SelCh=select(SEL_F,Chrom,FitnV,GGAP)：%SEL_F是一个字符串，包含一个低级选择函数名，如rws或sus。%FitnV是列向量，包含种群Chrom中个体的适应度值，该值表明每个个体被选择的预期概率。%GGAP是一个可选参数，指出代沟部分种群被复制。若GGAP省略或为NaN，则GGAP=1。%SUBPOP是一个可选参数，决定种群Chrom中子种群的数量。若SUBPOP省略或为NaN，则SUBPOP=1，种群Chrom中子种群必须有相同大小。SelCh=recombin('xovsp',SelCh,px); %交叉。NewChrom=recombin(REC_F,Chrom,RecOpt)。此处为矩阵第一行后四位与第二行后四位交叉%REC_F是一个包含低级重组函数名的字符串，如recdis或xovsp%RecOpt是一个指明交叉概率的任选参数，若省略或为NaN，将设为缺省值SelCh=mut(SelCh,pm); %变异。NewChrom=mut(OldChrom,Pm,BaseV)。%OldChrom是当前种群%Pm为变异概率，省略时为0.7/Lind%BaseV指明染色体个体元素的变异的基本字符，省略时为二进制编码X=bs2rv(SelCh,FieldD);  %子代个体的十进制转换，将二进制转换到十进制。Phen=bs2rv(SelCh,FieldD)%bs2rv根据译码矩阵FieldD将二进制串矩阵Chrom转换为实值向量，返回十进制矩阵ObjVSel=Objfun(X,P1,T1,hiddennum,P1_test,T1_test);  %计算子代的目标函数值，计算子代适应度值[Chrom,ObjV]=reins(Chrom,SelCh,1,1,ObjV,ObjVSel); %重插入子代到父代，得到新种群X=bs2rv(Chrom,FieldD);  %新种群二进制转换到十进制gen=gen+1;              %代计数器增加%获取每代的最优解及其序号，Y为最优解,I为个体的序号[Y,I]=min(ObjV);trace(1:N,gen)=X(I,:);    %记下每代的最优值trace(end,gen)=Y;         %记下每代的最优值
end
%% 画进化图
figure(1);
plot(1:MAXGEN,trace(end,:));
grid on
xlabel('遗传代数')
ylabel('误差的变化')
title('进化过程')
bestX=trace(1:end-1,end);
bestErr=trace(end,end);
[~,bestT_sim]=BpFunction(bestX,P1,T1,hiddennum,P1_test,T1_test);
fprintf(['最优初始权值和阈值:\nX=',num2str(bestX'),'\n最小误差err=',num2str(bestErr),'\n'])

Objfun.m

function Obj=Objfun(X,P1,T1,hiddennum,P1_test,T1_test)
%% 用来分别求解种群中各个个体的目标值
%% 输入
% X：所有个体的初始权值和阈值
% P：训练样本输入
% T：训练样本输出
% hiddennum：隐含层神经元数
% P_test:测试样本输入
% T_test:测试样本期望输出
%% 输出
% Obj：所有个体的预测样本的预测误差的范数[M,N]=size(X);
Obj=zeros(M,1);
for i=1:M
%     Obj(i)=Bpfun(X(i,:),P,T,hiddennum,P_test,T_test);Obj(i)=BpFunction(X(i,:),P1,T1,hiddennum,P1_test,T1_test);
end

BpFunction.m

%% 输入
% x：一个个体的初始权值和阈值
% P：训练样本输入
% T：训练样本输出
% hiddennum：隐含层神经元数
% P_test:测试样本输入
% T_test:测试样本期望输出
%% 输出
% err：预测样本的预测误差的范数
function [err,T_sim]=BpFunction(x,P1,T1,hiddennum,P1_test,T1_test)
inputnum=size(P1,1);                             % 输入层神经元个数
% hiddennum=2*inputnum+1;                           % 隐含层神经元个数
outputnum=size(T1,1);                                % 输出层神经元个数
%% 数据归一化
[p_train,ps_train]=mapminmax(P1,0,1);
p_test=mapminmax('apply',P1_test,ps_train);
[t_train,ps_output]=mapminmax(T1,0,1);
%% 开始构建BP网络
net=newff(p_train,t_train,hiddennum);               %隐含层为hiddennum个神经元
%设定参数网络参数
net.trainParam.epochs=1000;
net.trainParam.goal=1e-3;
net.trainParam.lr=0.01;
net.trainParam.showwindow=false;                    %高版MATLAB使用 不显示图形框
%% BP神经网络初始权值和阈值
w1num=inputnum*hiddennum;                                           %输入层到隐层的权值个数
w2num=outputnum*hiddennum;                                          %隐含层到输出层的权值个数
% x=2*rand(1,w1num+hiddennum+w2num+outputnum)-1;                      %随即生成权值
W1=x(1:w1num);                                                      %初始输入层到隐含层的权值
B1=x(w1num+1:w1num+hiddennum);                                      %隐层神经元阈值
W2=x(w1num+hiddennum+1:w1num+hiddennum+w2num);                      %隐含层到输出层的权值
B2=x(w1num+hiddennum+w2num+1:w1num+hiddennum+w2num+outputnum);      %输出层阈值
net.iw{1,1}=reshape(W1,hiddennum,inputnum);                         %为神经网络的输入层到隐含层权值赋值
net.lw{2,1}=reshape(W2,outputnum,hiddennum);                        %为神经网络的隐含层到输出层权值赋值
net.b{1}=reshape(B1,hiddennum,1);                                   %为神经网络的隐层神经元阈值赋值
net.b{2}=reshape(B2,outputnum,1);                                   %为神经网络的输出层阈值赋值
%% 开始训练
net = train(net,p_train,t_train);
%% 测试网络
t_sim = sim(net,p_test);
T_sim = mapminmax('reverse',t_sim,ps_output);   %反归一化
err=norm(T_sim-T1_test);                         %预测结果与测试结果差的范数，范数越小说明预测得越准确，如果范数为0，说明预测得完全准确

优化结果：

使用遗传算法优化Bp神经网络权值和阈值的流程图如下：

基于遗传算法优化的BP神经网络算法相关推荐

基于遗传算法优化的BP神经网络的非线性函数拟合
遗传算法 ( GA , Genetic Algorithm ) ,也称进化算法 . 遗传算法是受达尔文的进化论的启发,借鉴生物进化过程而提出的一种启发式搜索算法.因此在介绍遗传算法前有必要简单的介绍生 ...
基于遗传算法优化的BP神经网络
文章目录 BP神经网络和遗传算法算法用途实例分析 BP神经网络 GA-BP神经网络遗传算法的步骤: GA-BP神经网络MATLAB源码实现形式(一) 实现形式(二) 实现形式(三) BP神经网 ...
(Matlab)遗传算法优化的BP神经网络实现回归预测
目录摘要: 1.BP神经网络介绍: 2.遗传算法原理介绍: 3.遗传算法优化的BP神经网络: 4.算例分析: 5.Matlab代码实现摘要: 基于Matalb平台,将遗传算法(GA)与BP神经网络 ...
基于遗传算法优化的Elman神经网络数据预测-附代码
基于遗传算法优化的Elman神经网络数据预测 - 附代码文章目录基于遗传算法优化的Elman神经网络数据预测 - 附代码 1.Elman 神经网络结构 2.Elman 神经用络学习过程 3.电力负 ...
基于遗传算法改进的BP神经网络电网负荷预测，GA-BP神经网络电网负荷预测，1000案例之14
摘要节能减排,降低谈排放,降低电网传输的损耗电力负荷预测是以电力负荷为对象进行的一系列预测工作.从预测对象来看,电力负荷预测包括对未来电力需求量(功率)的预测和对未来用电量(能量)的预测以及对负荷 ...
基于果蝇优化的BP神经网络（分类应用） - 附代码
基于果蝇优化的BP神经网络(分类应用) - 附代码文章目录基于果蝇优化的BP神经网络(分类应用) - 附代码 1.鸢尾花iris数据介绍 2.数据集整理 3.果蝇优化BP神经网络 3.1 BP神经 ...
基于布谷鸟优化的BP神经网络（分类应用） - 附代码
基于布谷鸟优化的BP神经网络(分类应用) - 附代码文章目录基于布谷鸟优化的BP神经网络(分类应用) - 附代码 1.鸢尾花iris数据介绍 2.数据集整理 3.布谷鸟优化BP神经网络 3.1 B ...
基于果蝇优化的BP神经网络（预测应用） - 附代码
基于果蝇优化的BP神经网络(预测应用) 文章目录基于果蝇优化的BP神经网络(预测应用) 1.数据介绍 3.FOA优化BP神经网络 3.1 BP神经网络参数设置 3.2 果蝇算法应用 4.测试结果: ...
基于布谷鸟优化的BP神经网络（预测应用） - 附代码
基于布谷鸟优化的BP神经网络(预测应用) - 附代码文章目录基于布谷鸟优化的BP神经网络(预测应用) - 附代码 1.数据介绍 3.CS优化BP神经网络 3.1 BP神经网络参数设置 3.2 布谷 ...

基于遗传算法优化的BP神经网络算法

基于遗传算法优化的BP神经网络算法相关推荐

最新文章

热门文章