利用MATLAB实现遗传算法和MATLAB神经网络工具箱的使用

./实验一利用MATLAB实现遗传算法一、实验目的1、熟悉MATLAB语言编程环境2、掌握MATLAB语言命令3、学会利用MATLAB编程实现遗传算法二、实验原理MATLAB是美国MathWorks公司出品的商业数学软件,用于算法开发、数据可视化、数据分析以及数值计算的高级技术计算语言和交互式环境,MATLAB可以进行矩阵运算、绘制函数和数据、实现算法、创建用户界面、连接其他编程语言的程序等,主要应用于工程计算、控制设计等领域。通过学习遗传算法原理,使用MATLAB编写程序,实现其求解策略。三、实验容通过MATLAB编程,利用遗传算法求解：求.三、实验要求1、程序设计2、调试3、实验结果4、撰写实验报告实验二MATLAB神经网络工具箱的使用一、实验目的1、掌握MATLAB语言命令2、提高MATLAB程序设计能力3、学会使用MATLAB神经网络工具箱二、实验原理MATLAB语言是MathWorks公司推出的一套高性能计算机编程语言,集数学计算、图形显示、语言设计于一体,其强大的扩展功能为用户提供了广阔的应用空间。它附带有30多个工具箱,神经网络工具箱就是其中之一。利用该工具箱可以方便的构建神经网络的结构模型、设计、训练等,实现神经网络算法。三、实验容通过MATLAB编程,利用神经网络工具箱预测公路运量：公路运量主要包括公路客运量和公路货运量两个方面。据研究,某地区的公路运量主要与该地区的人数、机动车数量和公路面积有关,上表给出了该地区20年的公路运量相关数据。根据有关部门数据,该地区2010和20XX的人数分别为73.39和75.55万人,机动车数量分别为3.9635和4.0975万辆,公路面积分别为0.9880和1.0268万平方千米。请利用BP网络预测该地区2010和20XX的公路客运量和公路货运量。某地区20年公路运量数据年份人口数量/万人机动车数量/万辆公路面积/万平方千米公路客运量/万人公路货运量/万吨199020.550.60.0951261237199122.440.750.1162171379199225.370.850.1177301385199327.130.900.1491451399199429.451.050.20104601663199530.101.350.23113871714199630.961.450.23123531834199734.061.600.32157504322199836.421.700.32183048132199938.091.850.34198368936200039.132.150.362102411099200139.992.200.361949011203200241.932.250.382043310524200344.592.350.492259811115200447.302.500.562510713320200552.892.600.593344216762200655.732.700.593683618673200756.762.850.674054820724200859.172.950.694292720803200960.633.100.794346221804三、实验要求1、程序设计2、调试3、实验结果4、撰写实验报告运用遗传算法求解函数最大值：所有的子程序为M文件%子程序：计算适应度函数,函数名称存储为fitnessfu.mfunction[Fitvalue,sumsump]=fitnessfun<population>;globalBitLengthglobalboundsbeginglobalboundsendpopsize=size<population,1>;fori=1:popsizex=transform2to10<population<i,:>>;xx=boundsbegin+x*<boundsend-boundsbegin>/<power<<boundsend>,BitLength>-1>;Fitvalue<i>=targetfun<xx>;endFitvalue<i>=Fitvalue'+230;fsum=sum<Fitvalue>;Pperpopulation=Fitvalue/fsum;cumsump<1>=Pperpopulation<1>;fori=2:popsizecumsump<i>=cumsumo<i-1>+Pperpopulation<i>;endcumsump=cumsump';%子程序：新种群交叉操作,函数名称存储为crossover.mfunctionscro=crossover<population,seln,pc>BitLength=size<population,2>;pcc=IfCroIfMut<pc>;ifpcc==1chb=round<rand*<BitLength-2>>+1;scro<1,:>=[population<seln<1>,1:chb>,population<seln<2>,chb+1:BitLength>];scro<2,:>=[population<seln<2>,1:chb>,population<seln<1>,chb+1:BitLength>];elsescro<1,:>=population<seln<1>,:>;scro<2,:>=population<seln<2>,:>;end%子程序：新种群变异操作,函数名称存储为mutation.mfunctionsnnew=mutation<snew,pmutation>;BitLength=size<snew,2>;snnew=snew;pmm=IfCroIfMut<pmutation>;ifpmm==1chb=round<rand*<BitLlength-1>>+1;end%子程序：判断遗传运算是否需要进行交叉或变异,函数名称存储为IfCroIfMut.mfunctionpcc=IfCroIfMut<mutORcro>;test<1:100>=0;1=round<100*mutORcro>;test<1:1>=1;n=round<rand*99>+1;pcc=test<n>;%子程序：新种群选择操作,函数名称存储为selection.mfunctionseln=selection<population,cumsump>;fori=1:2r=rand;prand=cumsump-r;j=1;whlieprand<j><0j=j+1;endseln<i>=j;end%子程序：将二进制数转换为十进制数,函数名称存储为transform2to10.mfunctionx=transform2to10<Population>;BitLength=size<Population,2>;x=Population<BitLength>;fori=1:BitLength-1x=x+Population<BitLength-i>*power<2,i>;end%子程序：对于优化最大值或者极大值函数问题,目标函数可以作为适应度函数,%函数名称存储为targetfun.mfunctiony=targetfun<x>;y=200*exp<-0.05*x>.*sin<x>;%主程序：用遗传算法求解y=200*exp〔-0.05*x.*sin〔x在[-22]区间上的最大值clc;clearall;closeall;globalBitLengthglobalboundsbeginglobalboundsendbounds=[-22];precision=0.0001;boundsbegin=bounds<:,1>;boundsend=bounds<:,2>;BitLength=cell<log2<<boundsend-boundsbegin>'./precision>>;popsize=50;Generationnmax=12;pcrossover=0.90;pmutation=0.09;population=round<rand<popsize,BitLength>>;[Fitvalue,cumsump]=fitnessfun<population>;cumsumpGeneration=1;whileGeneration<Generationnmax+1forj=1:2:popsizeseln=selection<population,cumsump>;scro=crossover<popuoation,seln,pcrossover>;scnew<j,:>=scro<1,:>;scnew<j+1,:>=scro<2,:>;smnew<j,:>=mutation<scnew<j,:>,pmutation>;smnew<j+1,:>=mutation<scnew<j+1,:>,pmutation>;endpopulation=smnew;[Fitvalue,cumsump]=fitnessfun<population>;[fmax,nmax]=max<Fitvalue>;fmean=mean<Fitvalue>;ymax<Generation>=fmax;ymean<Generation>=fmean;x=transform2to10<population<nmax,:>>;xx=boundsbegin+x*<boundsend-boundsbegin>/<power<<boundsend>,BitLength>-1>;xmax<Generation>=xx;Generation=Generation+1;endGeneration=Generation-1;Bestpopulation=xx;Besttargetfunvalue=targetfun<xx>;figure<1>;hand1=plot<1:Generation,ymax>;set<hand1,'linestyle','-','linewidth',1.8,'marker','*','markersize',6>holdon;hand2=polt<1:Generation,ymean>;set<hand2,'color','linestyle','linewidth',1.8,'marker','h','mrkersize',6>xlabel;ylabel;xlim<[1Generationnmax]>;legend;boxoff;holdoff附件二〔参考程序利用神经网络工具箱预测公路运量：为了了解利用BP网络求解问题的过程,把问题分为六个模块处理：1.原始数据的输入；2.数据归一化；3.网络训练；4.对原始数据进行仿真；5.将原始数据仿真的结果与已知样本进行对比；6.对新数据进行仿真。clc%原始数据%人数〔单位：万人sqrs=[20.5522.4425.3727.1329.453.1030.9634.0636.4238.0939.1339.9941.9344.5947.3052.8955.7356.7659.1760.63];%机动车数〔单位：万辆sqjdcs=[0.60.750.850.91.051.351.451.61.71.852.152.22.252.352.52.62.72.852.953.1];%公路面积〔单位：万平方千米sqglmj=[0.090.110.110.140.200.230.230.320.320.340.360.360.380.490.560.590.590.670.690.79];%公路客运量〔单位：万人glkyl=[512662177730914510460113871235315750183041983621024194902043322598251073344236836405484292743462];%公路货运量〔单位：万吨glhyl=[123713791385139916631714183443228132893611099112031052411115133201676218673207242080321804];p=[sqrs;sqjdcs;sqglmj];%输入数据矩阵t=[glkyl;glhyl];%目标数据矩阵%利用函数premnmx对数据进行归一化[pn,minp,maxp,tn,mint,maxt]=premnmx<p,t>;%对于输入矩阵p和输出矩阵t进行归一化处理dx=[-1,1;-1,1;-1,1];%归一化处理后最小值为-1,最大值为1%BP网络训练net=newff<dx,[3,7,2],{'tansig','tansig','purelin'},'traingdx'>;%建立模型,并用梯度下降法训练net.trainParam.show=1000;%1000轮回显示一次结果net.trainParam.Lr=0.05;%学习速率为0.05net.trainParam.epochs=5000;%最大训练轮回为5000次net.trainParam.goal=0.65*10^<-3>;%均方误差net=train<net,pn,tn>;%开始训练,其中pn,tn分别为输入输出样本%利用原始数据对BP网络仿真an=sim<net,pn>;%用训练好的模型进行仿真a=postmnmx<an,mint,maxt>;%把仿真得到的数据还原为原始的数量级%本例因样本容量有限使用训练数据进行测试,通常必须用新鲜数据进行测试x=1990:2009;newk=a<1,:>;newh=a<2,:>;figure<2>;subplot<2,1,1>;plot<x,newk,'r-o',