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文章来源: MATLAB_遗传神经网络