遗传算法GA优化的BP神经网络

Halcom

遗传算法GA优化的BP神经网络
百度网盘链接：
链接：http://pan.baidu.com/s/1qYfRBPU

具体链接在halcom.cn论坛，联系人QQ：3283892722
该论坛是一个学习交流平台，我会逐一的和大家分享学习。
欢迎大家录制视频，并提交给我，我来设置视频，你可在论坛进行打赏分享。
视频专用播放器：http://halcom.cn/forum.php?mod=viewthread&tid=258&extra=page%3D1

参考：http://halcom.cn/forum.php?mod=viewthread&tid=280
GA_BP代码如下

1. %% 清空环境变量
   
2. clc,clear,close all
   
3. %% 训练数据预测数据提取及归一化
   
4. %下载输入输出数据
   
5. load data.mat; %原始数据以列向量的方式存放在workplace文件中
   
6. n=size(data);
   
7. input=data(:,1:3);%作为输入
   
8. output=data(:,4);%作为目标向量
   
9. %节点个数
   
10. inputnum=3;
    
11. hiddennum=7;
    
12. outputnum=1;
    
13. 
    
14. %训练数据和预测数据
    
15. input_train=input(1:n(1,1),:)';
    
16. input_test=input(1:n(1,1),:)';
    
17. output_train=output(1:n(1,1))';
    
18. output_test=output(1:n(1,1))';
    
19. 
    
20. %选连样本输入输出数据归一化
    
21. [inputn,inputps]=mapminmax(input_train);
    
22. [outputn,outputps]=mapminmax(output_train);
    
23. 
    
24. %构建网络
    
25. nntwarn off
    
26. net=newff(inputn,outputn,hiddennum);
    
27. 
    
28. %% 遗传算法参数初始化
    
29. maxgen=10;                         %进化代数，即迭代次数
    
30. sizepop=50;                        %种群规模
    
31. pcross=[0.3];                       %交叉概率选择，0和1之间
    
32. pmutation=[0.1];                    %变异概率选择，0和1之间
    
33. 
    
34. %节点总数
    
35. numsum=inputnum*hiddennum+hiddennum+hiddennum*outputnum+outputnum;
    
36. 
    
37. lenchrom=ones(1,numsum);        
    
38. bound=[-3*ones(numsum,1) 3*ones(numsum,1)];    %数据范围
    
39. 
    
40. %------------------------------------------------------种群初始化--------------------------------------------------------
    
41. individuals=struct('fitness',zeros(1,sizepop), 'chrom',[]);  %将种群信息定义为一个结构体
    
42. avgfitness=[];                      %每一代种群的平均适应度
    
43. bestfitness=[];                     %每一代种群的最佳适应度
    
44. bestchrom=[];                       %适应度最好的染色体
    
45. %初始化种群
    
46. for i=1:sizepop
    
47.     %随机产生一个种群
    
48.     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）
    
49.     x=individuals.chrom(i,:);
    
50.     %计算适应度
    
51.     individuals.fitness(i)=fun(x,inputnum,hiddennum,outputnum,net,inputn,outputn);   %染色体的适应度
    
52. end
    
53. 
    
54. %找最好的染色体
    
55. [bestfitness bestindex]=min(individuals.fitness);
    
56. bestchrom=individuals.chrom(bestindex,:);  %最好的染色体
    
57. avgfitness=sum(individuals.fitness)/sizepop; %染色体的平均适应度
    
58. % 记录每一代进化中最好的适应度和平均适应度
    
59. trace=[avgfitness bestfitness];
    
60. 
    
61. %% 迭代求解最佳初始阀值和权值
    
62. % 进化开始
    
63. for i=1:maxgen
    
64.     i
    
65.     % 选择
    
66.     individuals=Select(individuals,sizepop);
    
67.     avgfitness=sum(individuals.fitness)/sizepop;
    
68.     %交叉
    
69.     individuals.chrom=Cross(pcross,lenchrom,individuals.chrom,sizepop,bound);
    
70.     % 变异
    
71.     individuals.chrom=Mutation(pmutation,lenchrom,individuals.chrom,sizepop,i,maxgen,bound);
    
72.    
    
73.     % 计算适应度
    
74.     for j=1:sizepop
    
75.         x=individuals.chrom(j,:); %解码
    
76.         individuals.fitness(j)=fun(x,inputnum,hiddennum,outputnum,net,inputn,outputn);   
    
77.     end
    
78.    
    
79.   %找到最小和最大适应度的染色体及它们在种群中的位置
    
80.     [newbestfitness,newbestindex]=min(individuals.fitness);
    
81.     [worestfitness,worestindex]=max(individuals.fitness);
    
82.     % 代替上一次进化中最好的染色体
    
83.     if bestfitness>newbestfitness
    
84.         bestfitness=newbestfitness;
    
85.         bestchrom=individuals.chrom(newbestindex,:);
    
86.     end
    
87.     individuals.chrom(worestindex,:)=bestchrom;
    
88.     individuals.fitness(worestindex)=bestfitness;
    
89.    
    
90.     avgfitness=sum(individuals.fitness)/sizepop;
    
91.    
    
92.     trace=[trace;avgfitness bestfitness]; %记录每一代进化中最好的适应度和平均适应度
    
93. 
    
94. end
    
95. %% 遗传算法结果分析
    
96. figure,
    
97. [r c]=size(trace);
    
98. plot([1:r]',trace(:,2),'b--');
    
99. title(['适应度曲线  ' '终止代数＝' num2str(maxgen)]);
    
100. xlabel('进化代数');ylabel('适应度');
     
101. legend('平均适应度','最佳适应度');
     
102. disp('适应度                   变量');
     
103. x=bestchrom;
     
104. 
     
105. %% 把最优初始阀值权值赋予网络预测
     
106. % %用遗传算法优化的BP网络进行值预测
     
107. w1=x(1:inputnum*hiddennum);
     
108. B1=x(inputnum*hiddennum+1:inputnum*hiddennum+hiddennum);
     
109. w2=x(inputnum*hiddennum+hiddennum+1:inputnum*hiddennum+hiddennum+hiddennum*outputnum);
     
110. B2=x(inputnum*hiddennum+hiddennum+hiddennum*outputnum+1:inputnum*hiddennum+hiddennum+hiddennum*outputnum+outputnum);
     
111. 
     
112. net.iw{1,1}=reshape(w1,hiddennum,inputnum);
     
113. net.lw{2,1}=reshape(w2,outputnum,hiddennum);
     
114. net.b{1}=reshape(B1,hiddennum,1);
     
115. net.b{2}=B2;
     
116. 
     
117. %% BP网络训练
     
118. %网络进化参数
     
119. net.trainParam.epochs=100;
     
120. net.trainParam.lr=0.1;
     
121. %net.trainParam.goal=0.00001;
     
122. 
     
123. %网络训练
     
124. [net,per2]=train(net,inputn,outputn);
     
125. 
     
126. %% BP网络预测
     
127. %数据归一化
     
128. inputn_test=mapminmax('apply',input_test,inputps);
     
129. an=sim(net,inputn_test);
     
130. test_simu=mapminmax('reverse',an,outputps);
     
131. error=test_simu-output_test;
     
132. 
     
133. %% 结果分析
     
134. figure,
     
135. plot(test_simu,':og')%预测值
     
136. hold on
     
137. plot(output_test,'-*');%实际值
     
138. error=test_simu-output_test;
     
139. plot(error,'-r');
     
140. legend('预测输出','期望输出','BP网络预测误差')
     
141. title('BP网络预测输出','fontsize',12)
     
142. ylabel('函数输出','fontsize',12)
     
143. xlabel('样本','fontsize',12)
     
144. 
     
145. %预测误差
     
146. figure,
     
147. plot((output_test-test_simu)./test_simu,'-*');
     
148. title('神经网络预测误差百分比')
     
149. disp '误差累积和'
     
150. errorsum=sum(abs(error))

复制代码

适应度函数：

1. function error = fun(x,inputnum,hiddennum,outputnum,net,inputn,outputn)
   
2. %该函数用来计算适应度值
   
3. %x          input     个体
   
4. %inputnum   input     输入层节点数
   
5. %outputnum  input     隐含层节点数
   
6. %net        input     网络
   
7. %inputn     input     训练输入数据
   
8. %outputn    input     训练输出数据
   
9. 
   
10. %error      output    个体适应度值
    
11. 
    
12. %提取
    
13. w1=x(1:inputnum*hiddennum);
    
14. B1=x(inputnum*hiddennum+1:inputnum*hiddennum+hiddennum);
    
15. w2=x(inputnum*hiddennum+hiddennum+1:inputnum*hiddennum+hiddennum+hiddennum*outputnum);
    
16. B2=x(inputnum*hiddennum+hiddennum+hiddennum*outputnum+1:inputnum*hiddennum+hiddennum+hiddennum*outputnum+outputnum);
    
17. 
    
18. /*
    
19. net=newff(inputn,outputn,hiddennum);         
    
20. %网络进化参数
    
21. net.trainParam.epochs=20;
    
22. net.trainParam.lr=0.1;
    
23. net.trainParam.goal=0.00001;
    
24. net.trainParam.show=100;
    
25. net.trainParam.showWindow=0;
    
26. */  去掉
    
27. 
    
28. %网络权值赋值
    
29. net.iw{1,1}=reshape(w1,hiddennum,inputnum);
    
30. net.lw{2,1}=reshape(w2,outputnum,hiddennum);
    
31. net.b{1}=reshape(B1,hiddennum,1);
    
32. net.b{2}=B2;
    
33. 
    
34. %网络训练
    
35. net=train(net,inputn,outputn);
    
36. 
    
37. an=sim(net,inputn);
    
38. 
    
39. error=sum(abs(an-outputn));

复制代码

注意：
（1）【/* net=newff(inputn,outputn,hiddennum)  */的使用】
（2）选择、交叉、变异算子，见GA函数优化分析代码。
（3）缺陷：现有的代码大多数是70%的训练样本，30%的测试样本。
（4）改进策略：BP神经网络应该组成70%的训练样本，15%的验证样本，15%的测试样本。

参考：http://halcom.cn/forum.php?mod=viewthread&tid=262&extra=page%3D2