MATLAB_遗传神经网络

匿名 (未验证) 提交于 2019-12-03 00:27:02
tic clear; clc; %%%%加载数据 local='C:\Users\37989\Desktop\2688.xlsx';%数据文件地址 input1=xlsread(local,'sheet1','A1:D2688'); output1=xlsread(local,'sheet1','E1:E2688'); testdata=xlsread(local,'sheet2','A1:D25');  %%%神经网络参数初始化 inputnum=4;                     %输入层节点数 hiddennum=10;                   %隐层节点数 outputnum=1;                    %输出层节点数 trainnumX=0.8;                  %训练样本比例 %% 遗传算法参数初始化 maxgen=15;                         %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 %% BP网络训练 %网络参数 net.trainParam.epochs=500;     %迭代次数 net.trainParam.lr=0.05;         %学习率 net.trainParam.goal=0.000001;  %误差阈值  %%%%%%%%%%%%%%%%%代码部分 [Mnum,~]=size(input1); RANDONDATA=randomint(1,Mnum); input=zeros(Mnum,inputnum); output=zeros(Mnum,outputnum); for asd=1:Mnum     input(asd,:)=input1(RANDONDATA(1,asd),:);     output(asd,:)=output1(RANDONDATA(1,asd),:); end trainnum=round(trainnumX*Mnum); input_train=input(1:trainnum,:)'; input_test=input(trainnum+1:Mnum,:)'; output_train=output(1:trainnum)'; output_test=output(trainnum+1:Mnum)'; [inputn,inputps]=mapminmax(input_train); [outputn,outputps]=mapminmax(output_train); net=newff(inputn,outputn,hiddennum);   %%%%遗传算法 numsum=inputnum*hiddennum+hiddennum+hiddennum*outputnum+outputnum; lenchrom=ones(1,numsum);        bound=[-3*ones(numsum,1) 3*ones(numsum,1)];    %数据范围 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  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  [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                               trace=[avgfitness bestfitness]; % 记录每一代进化中最好的适应度和平均适应度   for num=1:maxgen     % 选择        individuals=select(individuals,sizepop);        avgfitness=sum(individuals.fitness)/sizepop;      %交叉       individuals.chrom=Cross(pcross,lenchrom,individuals,sizepop,bound);       % 变异       individuals.chrom=Mutation(pmutation,lenchrom,individuals,sizepop,num,maxgen,bound);           % 计算适应度            for j=1:sizepop           x=individuals.chrom(j,:); %个体          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>newbestfitness         bestfitness=newbestfitness;         bestchrom=individuals.chrom(newbestindex,:);     end     individuals.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   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'); %% 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  x=bestchrom; w1=x(1:inputnum*hiddennum); B1=x(inputnum*hiddennum+1:inputnum*hiddennum+hiddennum); w2=x(inputnum*hiddennum+hiddennum+1:inputnum*hiddennum+hiddennum+hiddennum*outputnum); 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}=reshape(B2,outputnum,1);  %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(2) plot(output_test(:,1:25)); hold on plot(test_simu(:,1:25),'--g'); grid on legend('预测输出','期望输出') set(gca,'linewidth',1.0); xlabel('X 样本','FontSize',15); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% ylabel('Y 输出','FontSize',15); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% set(gcf,'color','w') %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% title('GA-BP Network','Color','k','FontSize',15);  toc  F = roundn([test_simu',output_test',test_simu'-output_test'],-4);    function 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     pick=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  function ret=Cross(pcross,lenchrom,individuals,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 % individuals.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)             pick=rand(1,2);   % 随机选择两个染色体进行交叉      while prod(pick)==0       %连乘          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          % 随机选择交叉位          pick=rand;          while pick==0              pick=rand;          end          flag=0;        while flag==0          pos=ceil(pick*length(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=individuals.chrom(index(1),pos);          v2=individuals.chrom(index(2),pos);          individuals.chrom(index(1),pos)=pick*v2+(1-pick)*v1;          individuals.chrom(index(2),pos)=pick*v1+(1-pick)*v2; %交叉结束               flag1=test(individuals.chrom(index(1),:));  %检验染色体1的可行性          flag2=test(individuals.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=individuals.chrom;    function 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*outputnum); B2=x(inputnum*hiddennum+hiddennum+hiddennum*outputnum+1:inputnum*hiddennum+hiddennum+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}=reshape(B2,outputnum,1);   %网络训练   net=train(net,inputn,outputn); an=sim(net,inputn);  error=sum(abs(an-outputn));    function ret=Mutation(pmutation,lenchrom,individuals,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 % individuals.chrom     input  : 染色体 % 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==0         pick=rand;     end     index=ceil(pick*sizepop);     % 变异概率决定该轮循环是否进行变异     pick=rand;     if pick>pmutation         continue;     end     flag=0;     while flag==0         % 变异位置         pick=rand;         while pick==0                  pick=rand;         end         pos=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=(pick*(1-num/maxgen))^2;         if pick>0.5             individuals.chrom(index,pos)=individuals.chrom(index,pos)+(bound(pos,2)-individuals.chrom(index,pos))*fg;         else             individuals.chrom(index,pos)=individuals.chrom(index,pos)-(individuals.chrom(index,pos)-bound(pos,1))*fg;         end   %变异结束         flag=test(individuals.chrom(index,:));  %检验染色体的可行性     end end    ret=individuals.chrom;    function 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   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==0            pick=rand;            end     for j=1:sizepop            pick=pick-sumf(j);                if pick<0                    index=[index j];                        break;          end   end end %新种群 individuals.chrom=individuals.chrom(index,:);   %individuals.chrom为种群中个体 individuals.fitness=individuals.fitness(index);    ret=individuals;    function flag=test(chrom) %此函数用来判断individuals.chrom里数值是否超过边界bound %bound在main里定义为(-3:3) %flag       output     染色体可行(未超界)output为1 ,不可行为0 f1=isempty(find(chrom>3)); f2=isempty(find(chrom<-3)); if f1*f2==0     flag=0; else     flag=1; end

易学教程内所有资源均来自网络或用户发布的内容,如有违反法律规定的内容欢迎反馈
该文章没有解决你所遇到的问题?点击提问,说说你的问题,让更多的人一起探讨吧!