遗传算法优化的BP神经网络建模

1、-作者xxxx-日期xxxx遗传算法优化的BP神经网络建模【精品文档】遗传算法优化的BP神经网络建模十一月匆匆过去，每天依然在忙碌着与文档相关的东西，在寒假前一个多月里，努力做好手头上的事的前提下多学习专业知识，依然是坚持学习与素质提高并重，依然是坚持锻炼身体，为明年找工作打下基础。    遗传算法优化的BP神经网络建模借鉴别人的程序做出的仿真，最近才有时间整理。目标：    对y=x12+x22非线性系统进行建模，用1500组数据对网络进行构建网络，500组数据测试网络。由于BP神经网络初始神经元之间的权值和阈值

2、一般随机选择，因此容易陷入局部最小值。本方法使用遗传算法优化初始神经元之间的权值和阈值，并对比使用遗传算法前后的效果。步骤：未经遗传算法优化的BP神经网络建模1、  随机生成2000组两维随机数(x1,x2)，并计算对应的输出y=x12+x22，前1500组数据作为训练数据input_train，后500组数据作为测试数据input_test。并将数据存储在data中待遗传算法中使用相同的数据。2、  数据预处理：归一化处理。3、  构建BP神经网络的隐层数，次数，步长，目标。4、  使用训练数据input_tra

3、in训练BP神经网络net。5、  用测试数据input_test测试神经网络，并将预测的数据反归一化处理。6、  分析预测数据与期望数据之间的误差。遗传算法优化的BP神经网络建模1、  读取前面步骤中保存的数据data；2、  对数据进行归一化处理；3、  设置隐层数目；4、  初始化进化次数，种群规模，交叉概率，变异概率5、  对种群进行实数编码，并将预测数据与期望数据之间的误差作为适应度函数；6、  循环进行选择、交叉、变异、计算

4、适应度操作，直到达到进化次数，得到最优的初始权值和阈值；7、  将得到最佳初始权值和阈值来构建BP神经网络；8、  使用训练数据input_train训练BP神经网络net;9、  用测试数据input_test测试神经网络，并将预测的数据反归一化处理；10、              分析预测数据与期望数据之间的误差。算法流程图如下：运行后使用遗传算法改进前后误差的对比图：程序：1、未经遗传算法

5、优化的BP神经网络建模clear;clc;%输入参数%N=2000;            %数据总个数M=1500;            %训练数据%训练数据%for i=1:N    input(i,1)=-5+rand*10;    input(i,2)=-5+rand*

6、10;endoutput=input(:,1).2+input(:,2).2;save data input output 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:M),:)'input_test=input(n(M+1):N),:)'output_test=output(n(M+1):N),:)'%数据归一化inputn,inputs=mapminmax(input_train

7、);outputn,outputs=mapminmax(output_train);%构建BP神经网络net=newff(inputn,outputn,5);=100;net.trainParam.lr=0.1;=0.0000004;%BP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'

8、;,an,outputs); figure(1)%plot(BPoutput,':og');scatter(1:(N-M),BPoutput,'rx');hold on;%plot(output_test,'-*');scatter(1:(N-M),output_test,'o');legend('预测输出','期望输出','fontsize',12);title('BP网络预测输出','fontsize',12);xlabel('样

9、本','fontsize',12);xlabel('优化前输出的误差','fontsize',12); figure(2)error=BPoutput-output_test;plot(1:(N-M),error);xlabel('样本','fontsize',12);ylabel('优化前输出的误差','fontsize',12);%save net net inputs outputs2、遗传算法优化的BP神经网络建模（1）主程序%清空环境变量clcclear&

10、#160;%读取数据load  %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

11、_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;       

12、0;                %种群规模pcross=0.3;                       %交叉概率选择，0和1之间pmutation=0.1;   

13、60;                %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

14、);    %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

15、一代种群的平均适应度bestfitness=;                     %每一代种群的最佳适应度bestchrom=;                     &#

16、160; %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    (i,:)=Code(lenchrom,bound);    %编码    x=(i,:);    %计算适应度    individuals.fitness(i)=fun(x,inputnum,hiddennum,outputnum,net,

17、inputn,outputn);   %染色体的适应度end %找最好的染色体bestfitness bestindex=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=avgfitness bestfitness; % 迭代求解最佳初始阀值和权值% 进化开始for i=1:maxgen    i  

18、60; % 选择    individuals=Select(individuals,sizepop);   % avgfitness=sum()/sizepop;    %交叉    individuals.chrom=Cross(pcross,lenchrom,individuals.chrom,sizepop,bound);    % 变异    in

19、dividuals.chrom=Mutation(pmutation,lenchrom,individuals.chrom,sizepop,i,maxgen,bound);       % 计算适应度    for j=1:sizepop        x=(j,:); %解码        individuals.fitnes

20、s(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();    worestfitness,worestindex=max();    % 代替上一次进

21、化中最好的染色体    if bestfitness>newbestfitness        bestfitness=newbestfitness;        bestchrom=(newbestindex,:);    end    (worestindex,:)=bestchrom; 

22、60;  (worestindex)=bestfitness;       %avgfitness=sum()/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(3)%r c=size(trace);%plot(1:r',trace(:,2),'b-');%tit

23、le('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=bestchrom;

24、60;% 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+

25、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=100;net.trainParam.lr=0.1;%=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'

26、,input_test,inputps);an=sim(net,inputn_test);test_simu=mapminmax('reverse',an,outputps);error=test_simu-output_test; %figure(4);hold on;plot(1:500,error,'r');legend('优化前的误差','优化后的误差','fontsize',12) (2)编码子程序code.mfunction ret=Code(lenchrom,bound)%本函数将

27、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      input : 变量的取值范围% ret        output: 染色体的编码值flag=0;while flag=0    pick=rand(1,length(lenchrom);    ret=bound(:,1)

28、9;+(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end (3)适应度函数fun.mfunction error = fun(x,inputnum,hiddennum,outputnum,net,inputn,outputn)%该函数用来计算适应度值%x      

29、0;   input     个体%inputnum   input     输入层节点数%outputnum  input     隐含层节点数%net        input     网络%inputn  

30、0;  input     训练输入数据%outputn    input     训练输出数据%error      output    个体适应度值%提取w1=x(1:inputnum*hiddennum);B1=x(inputnum*hiddennum+1:inputnum*hiddennum+hiddennum);w2=x(inp

31、utnum*hiddennum+hiddennum+1:inputnum*hiddennum+hiddennum+hiddennum*outputnum);B2=x(inputnum*hiddennum+hiddennum+hiddennum*outputnum+1:inputnum*hiddennum+hiddennum+hiddennum*outputnum+outputnum);net=newff(inputn,outputn,hiddennum);%网络进化参数=20;net.trainParam.lr=0.1;=0.00001;=100;=0;%网络权值赋值1,1=reshape(w

32、1,hiddennum,inputnum);2,1=reshape(w2,outputnum,hiddennum);1=reshape(B1,hiddennum,1);2=B2;%网络训练net=train(net,inputn,outputn);an=sim(net,inputn);error=sum(abs(an-outputn); (4)选择操作Select.mfunction ret=select(individuals,sizepop)% 该函数用于进行选择操作% individuals input    种群信息% sizepop&

33、#160;    input    种群规模% ret         output   选择后的新种群 %求适应度值倒数  a bestch=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./sumfitn

34、ess; %采用轮盘赌法选择新个体index=;for i=1:sizepop   %sizepop为种群数    pick=rand;    while pick=0           pick=rand;           end  

35、;  for i=1:sizepop           pick=pick-sumf(i);               if pick<0              &#

36、160;    index=index i;                       break;         end    endend%index=index bestch;%新种群为种群

37、中个体=(index);%=individuals.chrom;b;%=individuals.fitness;c;ret=individuals; (5)交叉操作cross.mfunction ret=Cross(pcross,lenchrom,chrom,sizepop,bound)%本函数完成交叉操作% pcorss                input  : 交叉概率% lenchrom

38、0;             input  : 染色体的长度% chrom     input  : 染色体群% sizepop               input  : 种群规模% ret &#

39、160;                 output : 交叉后的染色体 for i=1: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   

40、;  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   

41、0; pick=rand;     while pick=0         pick=rand;     end     if pick>pcross         continue;     end

42、     flag=0;     while flag=0         % 随机选择交叉位         pick=rand;         while pick=0    

43、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

44、=rand; %交叉开始         v1=chrom(index(1),pos);         v2=chrom(index(2),pos);         chrom(index(1),pos)=pick*v2+(1-pick)*v1;      

45、0;  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

46、行性         if   flag1*flag2=0             flag=0;         else flag=1;         end

47、60;   %如果两个染色体不是都可行，则重新交叉     end endret=chrom; (6)变异操作Mutation.mfunction ret=Mutation(pmutation,lenchrom,chrom,sizepop,num,maxgen,bound)% 本函数完成变异操作% pcorss               

48、0;input  : 变异概率% lenchrom              input  : 染色体长度% chrom     input  : 染色体群% sizepop              

49、0;input  : 种群规模% opts                  input  : 变异方法的选择% pop                   input  

50、;: 当前种群的进化代数和最大的进化代数信息% bound                 input  : 每个个体的上届和下届% maxgen                input  ：最大迭代次数% num &

51、#160;                 input  : 当前迭代次数% ret                   output : 变异后的染色体for i=1: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）