《用遗传算法优化BP神经网络的Matlab编程实例.docx》由会员分享，可在线阅读，更多相关《用遗传算法优化BP神经网络的Matlab编程实例.docx（5页珍藏版）》请在三一办公上搜索。
1、用遗传算法优化BP神经网络的Matlab编程实例用遗传算法优化BP神经网络的Matlab编程实例 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。 程序一：GA训练BP权值的主函数 function net=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 nntwarn off XX=premnmx(XX); Y
2、Y=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gabp
3、Eval x,endPop,bPop,trace=ga(aa,gabpEval,initPpp,1e-6 1 1,maxGenTerm,gen,. normGeomSelect,0.09,arithXover,2,nonUnifMutation,2 gen 3); %绘收敛曲线图 figure(1) plot(trace(:,1),1./trace(:,3),r-); hold on plot(trace(:,1),1./trace(:,2),b-); xlabel(Generation); ylabel(Sum-Squared Error); figure(2) plot(trace(:,1
4、),trace(:,3),r-); hold on plot(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.LW2,1=W1; net.LW3,2=W2; net.b2,1=B1; net.b3,1=B2; XX=P; YY=T; %设置训练参数 net.trainParam.show=1; net.trainParam.lr=1; net.trainParam.epo
5、chs=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 - the fittness of this individual % sol - the individual, returned to allow for Lamarckian evolution % options - current_generation load data2 nntwarn off XX=premnmx(XX); YY=premn
6、mx(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 for i=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) load data2 nntwarn off XX=premnmx(XX); YY=premnmx(YY); P=XX; T=
7、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W1 for i=1:S1, for k=1:R, W1(i,k)=x(R*(i-1)+k); end end % 接着的S1*S2个编码为W2 for i=1:S2, for k=1:S1, W2(i,k)=x(S1*(i-1)+k+R*S1); end end % 接着的S1个编码为B1 for i=1:S1, B1(i,1)=x(R*S1+S1*S2)+i); end % 接着的S2个编码为B2 for i=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，请从网上搜索下载
