遗传算法优化BP神经网络实现代码

%读取数据

data=xlsread('');

%训练预测数据

data_train=data(1:113,:);

data_test=data(118:123,:);

input_train=data_train(:,1:9)';

output_train=data_train(:,10)';

input_test=data_test(:,1:9)';

output_test=data_test(:,10)';

%数据归一化

[inputn,mininput,maxinput,outputn,minoutput,maxoutput]=premnmx(input_train,output_ train); %对p和t进行字标准化预处理

net=newff(minmax(inputn),[10,1],{'tansig','purelin'},'trainlm');

%网络训练

net=train(net,inputn,outputn);

%数据归一化

inputn_test = tramnmx(input_test,mininput,maxinput);

an=sim(net,inputn);

test_simu=postmnmx(an,minoutput,maxoutput);

error=test_simu-output_train;

plot(error)

k=error./output_train

function 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)==0

pick=rand(1,2);

end

index=ceil(pick.*sizepop);

% 交叉概率决定是否进行交叉

pick=rand;

while pick==0

pick=rand;

end

if pick>pcross

continue;

end

flag=0;

while flag==0

% 随机选择交叉位

pick=rand;

while pick==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=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==0

flag=0;

else flag=1;

end%如果两个染色体不是都可行，则重新交叉

end

end

ret=chrom;

% 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,:)';

input_test=input(1901:2000,:)';

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);

[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=10; %种群规模

pcross=[]; %交叉概率选择，0和1之间pmutation=[]; %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

--------------------------------------------------------

inpiduals=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

(i,:)=Code(lenchrom,bound); %编码（binary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=(i,:);

%计算适应度

(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;

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

% 选择

inpiduals=Select(inpiduals,sizepop);

avgfitness=sum/sizepop;

%交叉

=Cross(pcross,lenchrom,,sizepop,bound);

% 变异

=Mutation(pmutation,lenchrom,,sizepop,i,maxgen,bound);

% 计算适应度

for j=1:sizepop

x=(j,:); %解码

(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;

% 代替上一次进化中最好的染色体

if bestfitness>newbestfitness

bestfitness=newbestfitness;

bestchrom=(newbestindex,:);

end

(worestindex,:)=bestchrom;

(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(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');

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*outputn um);

B2=x(inputnum*hiddennum+hiddennum+hiddennum*outputnum+1:inputnum*hiddennum+hiddenn um+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

%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;

本文来源：https://www.bwwdw.com/article/8mgl.html