人工智能matlab仿真

1、1.函数优化4x122.仅143x6,2,4 x?2 4x2 4x2该二元6次函数式一个多峰函数，共有6个极值，其中有两个极值点对应的 函数取值为最小值。试求解函数的极值点(1)设计思路本题采用遗传算法，遗传算法搜索最优解的方法是模仿生物的进化过程，遗传算法主要使用选择算子、交叉算子与变异算子来模拟生物进化，从而产生一代又一代的种群。遗传算法具有通用、并行、稳健、简单与全局优化能力强等突 出优点，适用于解决复杂、困难的全局优化问题(2)程序流程图(3)实验程序function objV=objectFunction(pop) m=size(pop,1);for i=1:mobjV(i,1)=4

2、*pop(i,1)A2-2.1*pop(i,1)A4+(1/3)*pop(i,1)A6+pop(i,1)*pop(i,2)-4*po p(i,2)A2+4*pop(i,2)A4;end%J始化clc;clear;pc=0.7;pm=0.05;NIND=20;MAXGEN=1000;NVAR=2;PRECI=40;GGAP=0.9;短叉率%变异率%个体数目%最大遗传代数%变量维数峨量二进制数%弋沟trace_min=zeros(MAXGEN,1);trace_max=zeros(MAXGEN,1);%每代极小值%!代极大值%#群初始化FieldD=rep(PRECI,1,NVAR);-1,-1;

3、1,1;rep(1;0;1;1,1,NVAR);%K 域扫描Chrom=crtbp(NIND,NVAR*PRECI);%计算第0代函数适应度，寻找最优个体gen=0;pop=bs2rv(Chrom,FieldD);objV=objectFunction(pop);minY=min(objV);%各二进制初始种群转化为十进制%计算函数适应度%i数适应度最小值即函数最小值maxY=max(objV);POP(:,:,gen+1)=pop(1:end,1:end);%进化过程while gen<MAXGENFitnV=ranking(-objV);SelCh=select('sus&#

4、39;,Chrom,FitnV,GGAP);%择SelCh=recombin('xovsp',SelCh,pc);%!组SelCh=mut(SelCh,pm);藏异popnew=bs2rv(SelCh,FieldD);渤一代种群objVSel=objectFunction(popnew); % 计算子代目标函数值 Chrom,objV=reins(Chrom,SelCh,1,1,objV,objVSel); gen=gen+1; if minY>min(objV)%W找当前极小值minY=min(objV);y,i=min(objV)；x=bs2rv(Chrom,Fiel

5、dD);xmin(1,:)=x(i,:);disp('对应最小自变量取值：',num2str(x(i,:)disp('对应最小值:',num2str(y)%输出最优个体%输出最优个体endif maxY<max(objV)%!找当前极大值maxY=max(objV);Y,I=max(objV);X=bs2rv(Chrom,FieldD);xmax(1,:)=X(I,:);disp('对应最大自变量取值：',num2str(X(I,:)disp('对应最大值:',num2str(Y)end%俞出最优个体%俞出最优个体trace

6、_min(gen,1)=minY;trace_max(gen,1)=maxY;end%画图%保存当前极小值%呆存当前极大值figureplot(1:gen,trace_min(:,1); hold on%画进化过程图plot(1:gen,-1.031570364,'r-');figure(2)plot(1:gen,trace_max(:,1);hold on%i标函数在区间最小值plot(1:gen32333,'r-');%目标函数在区间最大值(4)运行结果优化函数如图所示:由优化函数图可知，此函数存在 2个极小值点，4个极大值点4个最大值为:对应x1,x2最大

7、自变量取值：-0.99543-0.91298对应函数最大值：2.5798对应x1,x2最大自变量取值：-0.92829-0.99328对应函数最大值：2.97对应x1,x2最大自变量取值：-0.989-0.99817对应函数最大值：3.1879对应x1,x2最大自变量取值：-0.99168-0.99925对应函数最大值：3.20472个最小值为：对应x1,x2最小自变量取值：-0.0447820.76447对应函数最小值：-0.99772对应x1,x2最小自变量取值：0.11984-0.66623对应函数最小值：-1.01022.体重约70kg的某人在短时间喝下2瓶啤酒后，隔一段时间测量他的血

8、液中酒精含量(mg/100mL),得到以下数据：时间/(h)0.250.50.7511.522.533.544.5567酒精含量/3068758282776868585150413835时间/(h)8910111213141516酒精含量282518151210774根据酒精在人体血液分解的动力学规律可知，血液中酒精浓度与时间的关系可表示为:qt rtk e e试根据表中数据求出参数k、q、r。(1)设计思路本题采用遗传算法，遗传算法搜索最优解的方法是模仿生物的进化过程，遗传算法主要使用选择算子、交叉算子与变异算子来模拟生物进化，从而产生一 代又一代的种群。遗传算法具有通用、并行、稳健、简单与

9、全局优化能力强等突 出优点，适用于解决复杂、困难的全局优化问题。(2)程序流程图(3)实验程序:%求函数适应度子程序function objV=objectFunction(pop,Data)m=size(pop,1);n=size(Data,1);for i=1:mfor j=1:nC0,1)=abs(pop(i,1)*(exp(pop(i,2)*(-1)*Data0,1)-exp(pop(i,3)*(-1)*Data0,1)-Data0,2); endobjV(i,1)=mean(C);end%求方差子程序function RESM=variance(a,a_1)M=size(a,1);y

10、=0;y_1=0;for i=1:My_1=y_1+(a(i,1)-a_1(i,1)A2； end RESM=sqrt(y_1/M);%交叉率 尬异率 %尸体数目%主程序 load Data %始化 pc=0.7; pm=0.05; NIND=500;%i大遗传代数MAXGEN=2000;NVAR=3;PRECI=20;GGAP=0.9;超量维数 被量二进制数%弋购trace=zeros(MAXGEN,1);%!代最优值%中群初始化FieldD=rep(PRECI,1,NVAR);100,0,0;150,1,3;rep(1;0;1;1,1,NVAR);烬域扫描呢建初始种群Chrom=crtbp

11、(NIND,NVAR*PRECI);%计算第0代函数适应度，寻找最优个体gen=0;%各二进制初始种群转化为十进制%计算函数适应度%函数适应度最小值即最优值pop=bs2rv(Chrom,FieldD);objV=objectFunction(pop,Data);minY=min(objV);%进化过程while gen<MAXGENFitnV=ranking(-objV);SelCh=select('sus',Chrom,FitnV,GGAP);SelCh=recombin('xovsp',SelCh,pc);SelCh=mut(SelCh,pm);po

12、pnew=bs2rv(SelCh,FieldD);objVSel=objectFunction(popnew,Data); %处择%1组异名新一代种群计算子代目标函数值Chrom,objV=reins(Chrom,SelCh,1,1,objV,objVSel);gen=gen+1;if minY>min(objV)%l找当前最优个体endminY=min(objV);trace(gen,1)=minY;% 呆存当前最优个体end%结果输出Y,I=min(objV);X=bs2rv(Chrom,FieldD);Xmin(1,:)=X(I,:);disp('对应自变量取值：,num2

13、str(X(I,:)喻出最优个体m=size(Data,1);for i=1:m喻出最优个体的函数拟合值Y(i,1)=Xmin(1,1)*(exp(-1)*Xmin(1,2)*(Data(i,1)-exp(-1)*Xmin(1,3)*(Data(i,1);ARE(i,1)=Data(i,2)-Y(i,1);endRESM=variance(Data(:,2),Y);disp('方差：',num2str(RESM)%十算方差%画图figure刎进化过程图plot(1:gen,trace(:,1);figure(2);%画出期望值与拟合值曲线plot(Data(:,1),Data(

14、:,2),'rd-'); hold onplot(Data(:,1),Y,'b*-')xlabel('时间');ylabel('酒精含量');legend('期望值',拟合值);figure(3)plot(Data(:,1),ARE,'rd-') xlabel('时间');ylabel('误差');(4)运行结果进行20次的多项式拟合后图如下:OTro的30明1=-七如月所以，对应自变量取值：k=113.3353q=0.1841013r=2.206932方差：3.37

15、483.设计一个神经网络，并对输入信号进行预测。输入为一线性调频信号，信号 采样时间为2s,采样频率为1000Hz,起始到信号的瞬时为0Hz, 1s时的瞬 时频率为150Hz。(1)本题采用三层BP神经网络。第一步，网络初始化。给各连接权值分别赋一个区间的随机数， 设定误差函数e,给定计算精度值和最大学习次数 Mo第二步，随机选取第2000个输入样本，前1900作为训练中¥本最后100做测 试。第三步，计算隐含层各神经元的输入和输出。第四步，利用网络期望输出和实际输出，计算误差函数对输出层的各神经元 的偏导数a。第五步利用隐含层到输出层的连接权值、 输出层和隐含层a的输出计算误差函数

16、对隐含层各神经元的偏导数 bo第六步，利用输出层各神经元的a和隐含层各神经元的输出来修正连接权值wo第七步：利用隐含层各神经元的 a和输入层各神经元的输入修正连接权。(2)神经网络算法流程图：(3)实验程序%设计一个神经网络，并对输入信号进行预测1s时的瞬时%信号采样时间为2s,采样频率为1000Hz ,起始到信号的瞬时为 0Hz,频率为150Hzclc;clear;time=0:0.001:2;y=chirp(time,0,1,150,'linear');y=y'time=time'm=size(y,1);%网络训练数据以前四个时刻预测第五个时刻fo门=1:1

17、896X(i,1)=y(i,1);X(i,2)=y(i+1,1);X(i,3)=y(i+2,1);X(i,4)=y(i+3,1);Y(i,1)=y(i+4,1); end %网络训练 s=size(Y,2);P=X't=Y'%数据归一化pn,minX,maxX=premnmx(p);%各数据归一化tn,minY,maxY=premnmx(t);%各数据归一化啕“练网络net=newf(minmax(pn),8,s,'tansig','purelin','trainlm');net.trainParam.goal=0.001;net

18、.trainParam.epochs=800;net=train(net,pn,tn);yn =sim(net,pn);Yn = postmnmx(yn,minY,maxY);y_train=Yn'%训练误差train_number=size(X,1);for i=1:train_numberARE(i,1)=Y(i,1)-y_train(i,1);end%网络测试数据fo门=1:97X_test(i,1)=y(i+1900,1);X_test(i,2)=y(i+1901,1);X_test(i,3)=y(i+1902,1);X_test(i,4)=y(i+1903,1);Y_test

19、(i,1)=y(i+1904,1);end%网络测试q=X_test'u=Y_test'qn=tramnmx(q,minX,maxX);y_tr=sim(net,qn);y_trr=postmnmx(y_tr,minY,maxY);y_test=y_trr'train_number=size(X,1);test_number=size(X_test,1);test_number=size(X_test,1);%测试误差for i=1:test_numberARE_1(i,1)=Y_test(i,1)-y_test(i,1);end%画图figure。)； plot(Y,

20、'rd-');hold onplot(y_train,'b*-')legend('训练样本输出期望值,'训练样本输出预测值');axis(0 500 -1.5 1.5)figure(2);plot(Y,'rd-');hold onplot(y_train,'b*-')legend('训练样本输出期望值,'训练样本输出预测值);axis(501 1000 -1.5 1.5)figure(3);plot(Y,'rd-');hold onplot(y_train,'b*-&

21、#39;)legend('训练样本输出期望值,'训练样本输出预测值');axis(1001 1500 -1.5 1.5)figure(4);plot(Y,'rd-');hold onplot(y_train,'b*-')legend('训练样本输出期望值,'训练样本输出预测值');axis(1501 1900 -1.5 1.5)figure(5);plot(ARE,'b*-');axis(0 500 -0.2 0.2)figure(6);plot(ARE,'b*-');axis(50

22、1 1000 -0.2 0.2)figure(7);plot(ARE,'b*-');axis(1001 1500 -0.2 0.2)figure(8);plot(ARE,'b*-');axis(1501 1900 -0.2 0.2)figure(9);plot(ARE_1,'b*-');figure(10);plot(Y_test,'rd-');hold onplot(y_test,'b*-')(4)运行结果下图分别为0-1900样本分成4组的训练过程1.5训练样本输出期望值一训练样本输出预测值$ ¥播 ) 1+* + !:*:* If+.+ tt+.s*一 _ _ _wV'脚H +-*+室05010015020025030035040045050