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functionnet=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nntwarnoffXX=premnmx(XX);YY=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gabpEval[x,endPop,bPop,trace]=ga(aa,'gabpEval',[],initPpp,[1e-611],'maxGenTerm',gen,...'normGeomSelect',[0.09],['arithXover'],[2],'nonUnifMutation',[2gen3]);%绘收敛曲线图figure(1)plot(trace(:,1),1./trace(:,3),'r-');holdonplot(trace(:,1),1./trace(:,2),'b-');xlabel('Generation');ylabel('Sum-SquaredError');figure(2)plot(trace(:,1),trace(:,3),'r-');holdonplot(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.LW{2,1}=W1;net.LW{3,2}=W2;net.b{2,1}=B1;net.b{3,1}=B2;XX=P;YY=T;%设置训练参数net.trainParam.show=1;net.trainParam.lr=1;net.trainParam.epochs=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-thefittnessofthisindividual%sol-theindividual,returnedtoallowforLamarckianevolution%options-[current_generation]loaddata2nntwarnoffXX=premnmx(XX);YY=premnmx(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fori=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)loaddata2nntwarnoffXX=premnmx(XX);YY=premnmx(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%前R*S1个编码为W1fori=1:S1,fork=1:R,W1(i,k)=x(R*(i-1)+k);endend%接着的S1*S2个编码（即第R*S1个后的编码）为W2fori=1:S2,fork=1:S1,W2(i,k)=x(S1*(i-1)+k+R*S1);endend%接着的S1个编码（即第R*S1+S1*S2个后的编码）为B1fori=1:S1,B1(i,1)=x((R*S1+S1*S2)+i);end%接着的S2个编码（即第R*S1+S1*S2+S1个后的编码）为B2fori=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