遗传算法优化BP神经网络实现代码

读取%数据data=xls read(data . xls)；培训预测数据%Data _ train=data (1:13，)；Data _ test=data (11:13，)；Input _ train=data _ train (:1:9)；Output _ train=data _ train (:10)；Input _ test=data _ test (:1:9)；Output_test=data_test(:10)；规范化%数据inputn，mininput，maxinput，outputn，min output，max output=premnmx (input _ train，output _)% p和t的字标准化预处理Net=newff (inputn)，10，1，tan SIG，pure Lin，train lmnet . trainparam . epochs=100；net . trainparam . lr=0.1；net . trainparam . goal=0.00001；%net.trainParam.show=NaN%网络培训Net=train(net，inputn，outputn)；规范化%数据Inputn _ test=tramnmx (input _ test，mininput，max input)；An=sim(net，inputn)；Test _ simu=postmnmx (an，min output，max output)；error=test _ simu-output _ train；Plot(错误)k=错误。/output_trainFunction ret=cross (p cross，lenchrom，chrom，size pop，bound)%此函数完成交叉点操作% pcorss input :交叉概率% lenchrom input :染色体的长度% chrom input :染色体组% sizepop input :人口大小% ret output :交叉染色体For i=1:sizepop%在每个轮子上可以执行交叉操作，染色体是随机选择的，交叉位置也是随机选择的。%但是，车轮for循环是否执行相交操作取决于相交概率(continue控制)%随机选择两条染色体并将其交叉Pick=rand(1，2)；while prod(pick)=0Pick=rand(1，2)；EndIndex=ceil(pick .* size pop)；%相交概率确定是否相交Pick=randWhile pick=0Pick=randEndIf pickpcrossContinueEndflag=0；While flag=0%随机选择交叉位Pick=randWhile pick=0Pick=randEndPos=ceil(pick .* sum(lenchrom)%请注意随机相交的位置，即选择要相交的第一个变量，两条染色体相交的位置相同Pick=rand%交集起点V1=chrom(索引(1)，pos)；V2=chrom(索引(2)，pos)；Chrom (index (1)，pos)=pick * v2(1-pick)* v1；Chrom (index (2)，pos)=pick * v1(1-pick)* v2；%交集结束Flag 1=test (lenchrom，bound，chrom (index (1)，)；检查%染色体1的可行性Flag 2=test (lenchrom，bound，chrom (index (2)，)；%染色体2的可行性检验If flag1*flag2=0flag=0；else flag=1；End%如果两条染色体都不可行，则再次交叉EndEndRet=chrom清除%环境变量ClcClear%构建网络结构读取%数据Load data input output%节点数input num=2；hiddennum=5；output num=1；%培训数据和预测数据Input _ train=input (1:11，)；Input _ test=input (1901:00，)；output _ train=output(1:11)；output _ test=output(1901:0000)；%选择样本输入和输出数据规范化inputn，input PS=map min max(input _ train)；outputn，output PS=map min max(output _ train)；构建%网络Net=newff (inputn，outputn，hidden num)；初始化%遗传算法参数Maxgen=10%进化代数，即迭代次数Sizepop=10%人口规模PC cross=0.3；%交叉概率选择，介于0和1之间pmutation=0.1；%转移概率选择，0到1之间节点总数num sum=inputnum * hidden num hidden num * output num output num；Lenchrom=ones(1，numsum)；Bound=-3 * ones (num sum，1) 3 * ones (num sum，1)；%数据范围%-初始化总量-是-是-是Individuals=struct (fitness，zeros (1，size pop)，chrom，)；将%人口信息定义为结构avg fitness=；每一代的平均适应能力best fitness=；%每一代最佳适合性best chrom=；%适应性最好的染色体%初始化总量For i=1:sizepop%随机创建一个对象Individuals.chrom (I，)=代码(lenchrom，bound)；%编码(binary和grey的编码结果是实数，float的编码结果是实数向量)X=individuals.chrom(i，)；%计算适合性Individuals.fitness (I)=fun (x、inputnum、hidden num、output num、net、inputn、outputn)；%染色体适应性End找到%最好的染色体best fitness best index=min(individuals . fitness)；best chrom=individuals . chrom(best index，)；%最好的染色体avg fitness=sum(individuals . fitness)/size pop；%染色体的平均适应性%记录每一代进化中最好的适应度和平均适应度trace=avg fitness best fitness；%迭代解决了最佳初始阈值和权重%进化开始For i=1:maxgenI选择%Individuals=select (individuals，size pop)；avg fitness=sum(individuals . fitness)/size pop；%交集Individuals.chrom=cross (p cross，lenchrom，Individuals.chrom，size pop，bound)；%变异Individuals.chrom=mutation(p mutation，lenchrom，individuals . chrom，size pop，I，max gen，bound)；%计算适合性For j=1:sizepopX=individuals.chrom(j，)；%解码Individuals.fitness (j)=fun (x、inputnum、hidden num、output num、net、inputn、outputn)；End查找%最小和最大适合性的染色体以及在人口中的位置newbestfitness，newbestindex=min(individuals . fitness)；worest fitness，worest index=max(individuals . fitness)；%取代了最后进化中最好的染色体If bestfitnessnewbestfitnessBestfitness=newbestfitnessbest chrom=individuals . chrom(newbest index，)；EndIndividuals.chrom (worest index，)=best chrom；individuals . fitness(worest index)=best fitness；avg fitness=sum(individuals . fitness)/size pop；trace=trace；avg fitness best fitness；%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(适合曲线终止代数=num 2 str(max gen)；Xlabel(进化代数)；Ylabel(适应性)；Legend(平均适应性，最佳适用性)；Disp(自适应变量)；X=bestchrom%赋予网络预测的最佳初始阈值权重%使用遗传算法优化的BP网络预测值w1=x(13360 inputnum * hiddennum)；B1=x(inputnum * hidden num 13360 inputnum * hidden num)；w2=x(inputnum * hidden num 13360 inputnum * hidden num hidden num * output num)；B2=x(inputnum * hidden num hidden num * output num 13360 inputnum * hidden num hidden num * output num)；Net.iw 1，1=reshape (w1，hidden num，input num)；Net.lw 2，1=reshape (w2，outputnum，hidden num)；Net.b 1=reshape (B1，hidden num，1)；Net.b 2 =B2% BP网络培训%网络演化参数net . trainparam . epochs=100；net . trainparam . lr=0.1；% net . trainpara