基于遗传算法的BP神经网络优化算法

案例3:基于遗传算法的BP神经网络优化算法****论坛申明：1案例为原创案例，论坛拥有帖子的版权，转载请注明出处（MATLABSKY论坛，《MATLAB智能算法30个案例分析》案例内容为书籍原创内容，内容为案例的提纲和主要内容。作者长期驻扎在板块，对读者和会员问题有问必答。4案例配套有教学视频和完整的MATLAB程序，MATLAB程序在购买书籍后可以自由下载，教学视频需要另外购买。MATLAB书籍预定方法和优惠服务：/thread-9258TT.html点击这里，预览该案例程序：http：///znsf/view/s3/GABPMain.html已经预定的朋友点此下载程序源代码/threadT1921TT.html***、案例背景BP网络是一类多层的前馈神经网络。它的名字源于在网络训练的过程中，调整网络的权值的算法是误差的反向传播的学习算法，即为BP学习算法。BP算法是Rumelhart等人在1986年提出来的。由于它的结构简单，可调整的参数多，训练算法也多，而且可操作性好，BP神经网络获得了非常广泛的应用。据统计，有80%〜90%的神经网络模型都是采用了BP网络或者是它的变形。BP网络是前向网络的核心部分，是神经网络中最精华、最完美的部分。BP神经网络虽然是人工神经网络中应用最广泛的算法，但是也存在着一些缺陷，例如：、学习收敛速度太慢；、不能保证收敛到全局最小点；、网络结构不易确定。另外，网络结构、初始连接权值和阈值的选择对网络训练的影响很大，但是又无法准确获得，针对这些特点可以采用遗传算法对神经网络进行优化。本节以某型号拖拉机的齿轮箱为工程背景，介绍使用基于遗传算法的BP神经网络进行齿轮箱故障的诊断。2、案例目录：第3章基于遗传算法的BP神经网络优化算法3.1理论基础3.1.1BP神经网络概述3.1.2遗传算法概述3.2案例背景3.2.1问题描述3.2.2解决思路及步骤1.算法流程2.神经网络算法实现3.遗传算法实现3.3MATLAB程序实现3.3.1神经网络算法3.3.2遗传算法主函数3.3.3比较使用遗传算法前后的差别3.3.4结果分析3.4延伸阅读3.5参考文献3、主程序：clcclearallcloseall%%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loaddata%初始隐层神经元个数hiddennum=31;%输入向量的最大值和最小值threshold=[01;01;01;01;01;01;01;01;01;01;01;01;01;01;01];inputnum=size(P,1);%输入层神经元个数outputnum=size(T,1);%输出层神经元个数w1num=inputnum*hiddennum;%输入层到隐层的权值个数w2num=outputnum*hiddennum;%隐层到输出层的权值个数N=w1num+hiddennum+w2num+outputnum;%待优化的变量的个数16.%%定义遗传算法参数NIND=40;%个体数目MAXGEN=50;%最大遗传代数PRECI=10;%变量的二进制位数GGAP=0.95;%代沟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25.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%%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,P,T,hiddennum,P_test,T_test);%计算目标函数值whilegen<MAXGENfprintf('%d\n',gen)FitnV=ranking(ObjV);%分配适应度值SelCh=select('sus',Chrom,FitnV,GGAP);%选择SelCh=recombin('xovsp',SelCh,px);%重组SelCh=mut(SelCh,pm);%变异X=bs2rv(SelCh,FieldD);%子代个体的十进制转换ObjVSel=Objfun(X,P,T,hiddennum,P_test,T_test);%计算子代的目标函数值[Chrom,ObjV]二reins(Chrom,SelCh,l,l,ObjV,ObjVSel);%重插入子代到父代，得到新种群X=bs2rv(Chrom,FieldD);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,1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,:));gridonxlabel('遗传代数')ylabel('误差的变化')54.title('进化过程')bestX=trace(1:end-1,end);bestErr=trace(end,end);fprintf(['最优初始权值和阈值:\nX=',num2str(bestX'),'\n最小误差err=',num2str(bestErr),'\n'])复制代码4、运行结果：遗传算法进化曲线。畔酬总删!?;图3-2误差进化曲线ID'：