遗传算法优化的BP神经网络 - MATLAB源码详细注释.rar

%% 该代码为基于遗传算法神经网络的预测代码 % 清空环境变量 clc clear % %% 网络结构建立 %读取数据 load data input output %节点个数 inputnum=2; hiddennum=5; outputnum=1; %训练数据和预测数据 input_train=input(1:1900,:)';%取1到1900行的数据来训练 input_test=input(1901:2000,:)';%取1901到2000行的数据来测试 output_train=output(1:1900); output_test=output(1901:2000); %选连样本输入输出数据归一化 [inputn,inputps]=mapminmax(input_train);%归一化到[-1,1]之间，inputps用来作下一次同样的归一化 [outputn,outputps]=mapminmax(output_train); %构建网络 net=newff(inputn,outputn,hiddennum);%单隐含层，5个隐含层神经元 %% 遗传算法参数初始化 maxgen=20; %进化代数，即迭代次数 sizepop=10; %种群规模 pcross=0.2; %交叉概率选择，0和1之间 pmutation=0.1; %变异概率选择，0和1之间 %节点总数：输入隐含层权值、隐含阈值、隐含输出层权值、输出阈值（4个基因组成一条染色体） numsum=inputnum*hiddennum+hiddennum+hiddennum*outputnum+outputnum;%21个，10,5,5,1 lenchrom=ones(1,numsum);%个体长度，暂时先理解为染色体长度，是1行numsum列的矩阵 bound=[-3*ones(numsum,1) 3*ones(numsum,1)]; %是numsum行2列的串联矩阵，第1列是-3，第2列是3 %------------------------------------------------------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：10个个体的适应度值，10条染色体编码信息 avgfitness=[]; %每一代种群的平均适应度,一维 bestfitness=[]; %每一代种群的最佳适应度 bestchrom=[]; %适应度最好的染色体，储存基因信息 %初始化种群 for i=1:sizepop %随机产生一个种群 individuals.chrom(i,:)=Code(lenchrom,bound); %编码（binary（二进制）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） x=individuals.chrom(i,:); %计算适应度 individuals.fitness(i)=fun(x,inputnum,hiddennum,outputnum,net,inputn,outputn); %染色体的适应度 end FitRecord=[]; %找最好的染色体 [bestfitness, bestindex]=min(individuals.fitness);%bestindex是最小值的索引（位置/某个个体），bestfitness的值为最小适应度值 bestchrom=individuals.chrom(bestindex,:); %最好的染色体，从10个个体中挑选到的 avgfitness=sum(individuals.fitness)/sizepop; %染色体的平均适应度(所有个体适应度和 / 个体数) % 记录每一代进化中最好的适应度和平均适应度 trace=[avgfitness bestfitness]; %trace矩阵，1行2列，avgfitness和bestfitness仅仅是数值 %% 迭代求解最佳初始阀值和权值 % 进化开始 for i=1:maxgen % 选择 individuals=Select(individuals,sizepop); % avgfitness=sum(individuals.fitness)/sizepop;%种群的平均适应度值 %交叉 individuals.chrom=Cross(pcross,lenchrom,individuals.chrom,sizepop); % 变异 individuals.chrom=Mutation(pmutation,lenchrom,individuals.chrom,sizepop,i,maxgen,bound); % 计算适应度 for j=1:sizepop x=individuals.chrom(j,:); %个体信息 individuals.fitness(j)=fun(x,inputnum,hiddennum,outputnum,net,inputn,outputn); %计算每个个体的适应度值 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(individuals.fitness);%最佳适应度值 [worestfitness,worestindex]=max(individuals.fitness); % 最优个体更新 if bestfitness>newbestfitness bestfitness=newbestfitness; bestchrom=individuals.chrom(newbestindex,:); end individuals.chrom(worestindex,:)=bestchrom;%取代掉最差的，相当于淘汰 individuals.fitness(worestindex)=bestfitness; avgfitness=sum(individuals.fitness)/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 FitRecord=[FitRecord;individuals.fitness];%记录每一代进化中种群所有个体的适应度值 end %% 遗传算法结果分析 figure(1) [r, c]=size(trace); plot([1:r]',trace(:,2),'b--'); title(['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'); %% 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+hiddennum*outputnum+outputnum); net.iw{1,1}=reshape(w1,hiddennum,inputnum); net.lw{2,1}=reshape(w2,outputnum,hiddennum); net.b{1}=reshape(B1,hiddennum,1); net.b{2}=reshape(B2,outputnum,1); %% BP网络训练 %网络进化参数 net.trainParam.epochs=100; net.trainParam.lr=0.1; net.trainParam.goal=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',input_test,inputps); an=sim(net,inputn_test); test_simu=mapminmax('reverse',an,outputps); error=test_simu-output_test; figure(2) plot((output_test-test_simu)./test_simu,'-*'); title('神经网络预测误差百分比') figure(3) plot(error,'-*') title('BP网络预测误差','fontsize',12) ylabel('误差','fontsize',12) xlabel('样本','fontsize',12)