《用遗传算法优化BP神经网络的Matlab编程实例.doc》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.doc（6页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、【精品文档】如有侵权，请联系网站删除，仅供学习与交流用遗传算法优化BP神经网络的Matlab编程实例.精品文档.用遗传算法优化BP神经网络的Matlab编程实例 引用 2007-08-29 21:14:08 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
2、BP算法训练网络%-%数据归一化预处理 nntwarn off XX=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);
3、%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gabpEvalx,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(
4、Sum-Squared Error); figure(2) plot(trace(:,1),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=
5、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 - the fittness of this individual% sol - the individual, returned to allow for Lamarckian evolution% options - current_generationload data2nn
6、twarn offXX=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 data2nntwarn offXX=premnmx(XX);YY=prem
7、nmx(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W1for i=1:S1, for k=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W2for i=1:S2, for k=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B1for i=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B2for 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