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=x1^2+x2^2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=x1^2+x2^2，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_train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:Ninput(i,1)=-5+rand*10;input(i,2)=-5+rand*10;endoutput=input(:,1).^2+input(:,2).^2;save data input outputload data.mat%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); [outputn,outputs]=mapminmax(output_train);%构建BP神经网络net=newff(inputn,outputn,5);net.trainParam.epochs=100;net.trainParam.lr=0.1;net.trainParam.goal=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',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%读取数据load data.mat%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_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; %种群规模pcross=[0.3]; %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numsum=inputnum*hiddennum+hiddennum+hiddennum*outputnum+outputnum;lenchrom=ones(1,numsum);bound=[-3*ones(numsum,1) 3*ones(numsum,1)]; %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=[]; %每一代种群的平均适应度bestfitness=[]; %每一代种群的最佳适应度bestchrom=[]; %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individuals.chrom(i,:)=Code(lenchrom,bound); %编码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%找最好的染色体[bestfitness bestindex]=min(individuals.fitness);bestchrom=individuals.chrom(bestindex,:); %最好的染色体%avgfitness=sum(individuals.fitness)/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:maxgeni% 选择individuals=Select(individuals,sizepop);% avgfitness=sum(individuals.fitness)/sizepop;%交叉individuals.chrom=Cross(pcross,lenchrom,individuals.chrom,sizepop,bound);% 变异individuals.chrom=Mutation(pmutation,lenchrom,individuals.chrom,sizepop,i,maxgen,bound);% 计算适应度for j=1:sizepopx=individuals.chrom(j,:); %解码individuals.fitness(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(individuals.fitness);[worestfitness,worestindex]=max(individuals.fitness);% 代替上一次进化中最好的染色体if bestfitness>newbestfitnessbestfitness=newbestfitness;bestchrom=individuals.chrom(newbestindex,:);endindividuals.chrom(worestindex,:)=bestchrom;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end%% 遗传算法结果分析%figure(3)%[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');x=bestchrom;%% 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*outp utnum);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}=B2;%% 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(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==0pick=rand(1,length(lenchrom));ret=bound(:,1)'+(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 input 个体%inputnum input 输入层节点数%outputnum input 隐含层节点数%net input 网络%inputn 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(inputnum*hiddennum+hiddennum+1:inputnum*hiddennum+hiddennum+hiddennum*outp utnum);B2=x(inputnum*hiddennum+hiddennum+hiddennum*outputnum+1:inputnum*hiddennum+hidde nnum+hiddennum*outputnum+outputnum);net=newff(inputn,outputn,hiddennum);%网络进化参数net.trainParam.epochs=20;net.trainParam.lr=0.1;net.trainParam.goal=0.00001;net.trainParam.show=100;net.trainParam.showWindow=0;%网络权值赋值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}=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 input 种群规模% ret output 选择后的新种群%求适应度值倒数[a bestch]=min(individuals.fitness);%b=individuals.chrom(bestch);%c=individuals.fitness(bestch);fitness1=10./individuals.fitness; %individuals.fitness为个体适应度值%个体选择概率sumfitness=sum(fitness1);sumf=fitness1./sumfitness;%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==0pick=rand;endfor i=1:sizepoppick=pick-sumf(i);if pick<0index=[index i];break;endendend%index=[index bestch];%新种群individuals.chrom=individuals.chrom(index,:); %individuals.chrom为种群中个体individuals.fitness=individuals.fitness(index);%individuals.chrom=[individuals.chrom;b];%individuals.fitness=[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 input : 染色体的长度% chrom input : 染色体群% sizepop input : 种群规模% ret 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pick=rand(1,2);while prod(pick)==0pick=rand(1,2);endindex=ceil(pick.*sizepop);% 交叉概率决定是否进行交叉pick=rand;while pick==0pick=rand;endif pick>pcrosscontinue;endflag=0;while flag==0% 随机选择交叉位pick=rand;while pick==0pick=rand;endpos=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=rand; %交叉开始v1=chrom(index(1),pos);v2=chrom(index(2),pos);chrom(index(1),pos)=pick*v2+(1-pick)*v1;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的可行性if flag1*flag2==0flag=0;else flag=1;end %如果两个染色体不是都可行，则重新交叉endendret=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 input : 变异概率% lenchrom input : 染色体长度% chrom input : 染色体群% sizepop input : 种群规模% opts input : 变异方法的选择% pop input : 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 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）% 随机选择一个染色体进行变异pick=rand;while pick==0pick=rand;endindex=ceil(pick*sizepop);% 变异概率决定该轮循环是否进行变异pick=rand;if pick>pmutationcontinue;endflag=0;while flag==0% 变异位置pick=rand;while pick==0pick=rand;endpos=ceil(pick*sum(lenchrom)); %随机选择了染色体变异的位置，即选择了第pos个变量进行变异pick=rand; %变异开始fg=(rand*(1-num/maxgen))^2;if pick>0.5chrom(i,pos)=chrom(i,pos)+(bound(pos,2)-chrom(i,pos))*fg; elsechrom(i,pos)=chrom(i,pos)-(chrom(i,pos)-bound(pos,1))*fg; end %变异结束flag=test(lenchrom,bound,chrom(i,:)); %检验染色体的可行性 endendret=chrom;最新文件仅供参考已改成word文本。