GA-BP程序

例1【原创】用遗传算法优化BP神经网络的Matlab编程实例[font=楷体_GB2312][size=4][color=blue]此文章首次在simwe公开发表属于GreenSim团队原创作品，转载请注明！[/color][/size][/font][font=楷体_GB2312][size=4][color=#0000ff]更多原创程序，请访问GreenSim团队主页[url=][/url][/color][/size][/font][font=楷体_GB2312][size=4][color=blue][/color][/size][/font][font=楷体_GB2312][size=4][color=blue]由于BP网络的权值优化是一个无约束优化问题，而且权值要采用实数编码，所以直接利用Matlab遗传算法工具箱。以下贴出的代码是为一个19输入变量，1个输出变量情况下的非线性回归而设计的，如果要应用于其它情况，只需改动编解码函数即可。[/color][/size][/font]程序一：GA训练BP权值的主函数functionnet=GABPNET(XX,YY)%--------------------------------------------------------------------------%GABPNET.m%使用遗传算法对BP网络权值阈值进行优化，再用BP算法训练网络%--------------------------------------------------------------------------%数据归一化预处理nntwarnoffXX=premnmx(XX);YY=premnmx(YY);%创建网络net=newff(minmax(XX),[19,25,1],{'tansig','tansig','purelin'},'trainlm');%下面使用遗传算法对网络进行优化P=XX;T=YY;R=size(P,1);S2=size(T,1);S1=25;%隐含层节点数S=R*S1+S1*S2+S1+S2;%遗传算法编码长度aa=ones(S,1)*[-1,1];popu=50;%种群规模initPpp=initializega(popu,aa,'gabpEval');%初始化种群gen=100;%遗传代数%下面调用gaot工具箱，其中目标函数定义为gabpEval[x,endPop,bPop,trace]=ga(aa,'gabpEval',[],initPpp,[1e-611],'maxGenTerm',gen,...'normGeomSelect',[0.09],['arithXover'],[2],'nonUnifMutation',[2gen3]);%绘收敛曲线图figure(1)plot(trace(:,1),1./trace(:,3),'r-');holdonplot(trace(:,1),1./trace(:,2),'b-');xlabel('Generation');ylabel('Sum-SquaredError');figure(2)plot(trace(:,1),trace(:,3),'r-');holdonplot(trace(:,1),trace(:,2),'b-');xlabel('Generation');ylabel('Fittness');%下面将初步得到的权值矩阵赋给尚未开始训练的BP网络[W1,B1,W2,B2,P,T,A1,A2,SE,val]=gadecod(x);net.LW{2,1}=W1;net.LW{3,2}=W2;net.b{2,1}=B1;net.b{3,1}=B2;XX=P;YY=T;%设置训练参数net.trainParam.show=1;net.trainParam.lr=1;net.trainParam.epochs=50;net.trainParam.goal=0.001;%训练网络net=train(net,XX,YY);程序二：适应值函数function[sol,val]=gabpEval(sol,options)%val-thefittnessofthisindividual%sol-theindividual,returnedtoallowforLamarckianevolution%options-[current_generation]loaddata2nntwarnoffXX=premnmx(XX);YY=premnmx(YY);P=XX;T=YY;R=size(P,1);S2=size(T,1);S1=25;%隐含层节点数S=R*S1+S1*S2+S1+S2;%遗传算法编码长度fori=1:S,x(i)=sol(i);end;[W1,B1,W2,B2,P,T,A1,A2,SE,val]=gadecod(x);程序三：编解码函数function[W1,B1,W2,B2,P,T,A1,A2,SE,val]=gadecod(x)loaddata2nntwarnoffXX=premnmx(XX);YY=premnmx(YY);P=XX;T=YY;R=size(P,1);S2=size(T,1);S1=25;%隐含层节点数S=R*S1+S1*S2+S1+S2;%遗传算法编码长度%前R*S1个编码为W1fori=1:S1,fork=1:R,W1(i,k)=x(R*(i-1)+k);endend%接着的S1*S2个编码（即第R*S1个后的编码）为W2fori=1:S2,fork=1:S1,W2(i,k)=x(S1*(i-1)+k+R*S1);endend%接着的S1个编码（即第R*S1+S1*S2个后的编码）为B1fori=1:S1,B1(i,1)=x((R*S1+S1*S2)+i);end%接着的S2个编码（即第R*S1+S1*S2+S1个后的编码）为B2fori=1:S2,B2(i,1)=x((R*S1+S1*S2+S1)+i);end%计算S1与S2层的输出A1=tansig(W1*P,B1);A2=purelin(W2*A1,B2);%计算误差平方和SE=sumsqr(T-A2);val=1/SE;%遗传算法的适应值注意：上面的函数需要调用gaot工具箱，请从附件里下载！例2遗传优化BP改动的地方看书童上传的m文件，如下%%程序说明%主程序：ga_bp.m%适应度函数：gabpEval.m%编解码子函数：gadecod.m%使用前需安装gaot工具箱，上述三个文件需放在同一文件夹中且将该文件夹%设置为当前工作路径%运行程序时只需运行主程序ga_bp.m即可%此程序仅为示例，针对其他的问题，只需将数据修改即可，但需注意变量名%保持一致，尤其是全局变量修改时（在gadecod.m和gabpEval.m中也要修改）%版权归MATLAB中文论坛所有，转载请注明%%清除环境变量clearallclcwarningoffnntwarnoff%%声明全局变量globalp%训练集输入数据globalt%训练集输出数据globalR%输入神经元个数globalS2%输出神经元个数globalS1%隐层神经元个数globalS%编码长度S1=25;%%导入数据%训练数据day=[0.9363-0.9698-0.9907-0.9562-0.95070.9363-0.91640.90450.8918;-0.9358-0.97510.9821-0.9544-0.94690.94260.91820.8967-0.8841;0.9516-0.9781-0.9744-0.95250.95090.93680.9082-0.8903-0.8665;-0.9480-0.9795-0.9796-0.95070.95090.9300-0.9075-0.8902-0.8671;-0.9433-0.9923-0.9812-0.9596-0.9406-0.92300.9071-0.8864-0.8547;-0.94241.0000-0.9800-0.95140.9349-0.90890.9206-0.8780-0.8414;0.9355-0.9878-0.9737-0.94990.93370.9084-0.9072-0.8745-0.8332];%数据归一化[dayn,minday,maxday]=premnmx(day);%输入和输出样本p=dayn(:,1:8);t=dayn(:,2:9);%测试数据k=[0.94350.9796-0.9706-0.9552-0.9298-0.9130-0.90030.87080.8234;-0.9358-0.97510.9821-0.9544-0.94690.94260.91820.8967-0.8841;0.9516-0.9781-0.9744-0.95250.95090.93680.9082-0.8903-0.8665;-0.9480-0.9795-0.9796-0.95070.95090.9300-0.9075-0.8902-0.8671;-0.9433-0.9923-0.9812-0.9596-0.9406-0.92300.9071-0.8864-0.8547;-0.94241.0000-0.9800-0.95140.9349-0.90890.9206-0.8780-0.8414;-0.9496-0.9778-0.9693-0.9536-0.9352-0.9111-0.90760.8797-0.8227];%数据归一化kn=tramnmx(k,minday,maxday);%%BP神经网络%网络创建net=newff(minmax(p),[S1,7],{'tansig','purelin'},'trainlm');%设置训练参数net.trainParam.show=10;net.trainParam.epochs=2000;net.trainParam.goal=1.0e-28;net.trainParam.lr=0.3;%网络训练[net,tr]=train(net,p,t);%仿真测试s_bp=sim(net,kn);%BP神经网络的仿真结果%%GA-BP神经网络R=size(p,1);S2=size(t,1);S=R*S1+S1*S2+S1+S2;aa=ones(S,1)*[-1,1];popu=50;%种群规模initPpp=initializega(popu,aa,'gabpEval');%初始化种群gen=100;%遗传代数%调用GAOT工具箱，其中目标函数定义为gabpEval[x,endPop,bPop,trace]=ga(aa,'gabpEval',[],initPpp,[1e-611],'maxGenTerm',gen,...'normGeomSelect',[0.09],['arithXover'],[2],'nonUnifMutation',[2gen3]);%绘均方误差变化曲线figure(1)plot(trace(:,1),1./trace(:,3),'r-');holdonplot(trace(:,1),1./trace(:,2),'b-');xlabel('Generation');ylabel('Sum-SquaredError');%绘制适应度函数变化figure(2)plot(trace(:,1),trace(:,3),'r-');holdonplot(trace(:,1),trace(:,2),'b-');xlabel('Generation');ylabel('Fittness');%计算最优的权值和阈值[W1,B1,W2,B2,val]=gadecod(x);net.IW{1,1}=W1;net.LW{2,1}=