资源描述
%读取数据data=xlsread(data.xls);%训练预测数据data_train=data(1:113,:);data_test=data(118:123,:);input_train=data_train(:,1:9);output_train=data_train(:,10);input_test=data_test(:,1:9);output_test=data_test(:,10);%数据归一化inputn,mininput,maxinput,outputn,minoutput,maxoutput=premnmx(input_train,output_train);%对p和t进行字标准化预处理net=newff(minmax(inputn),10,1,tansig,purelin,trainlm);net.trainParam.epochs=100;net.trainParam.lr=0.1;net.trainParam.goal=0.00001;%net.trainParam.show=NaN%网络训练net=train(net,inputn,outputn);%数据归一化inputn_test=tramnmx(input_test,mininput,maxinput);an=sim(net,inputn);test_simu=postmnmx(an,minoutput,maxoutput);error=test_simu-output_train;plot(error)k=error./output_trainfunctionret=Cross(pcross,lenchrom,chrom,sizepop,bound)%本函数完成交叉操作%pcorss%lenchrom%chrominput%sizepop%retfori=1:sizepopinput:交叉概率input:染色体的长度染色体群input:种群规模output:交叉后的染色体%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）%随机选择两个染色体进行交叉pick=rand(1,2);whileprod(pick)=0pick=rand(1,2);endindex=ceil(pick.*sizepop);%交叉概率决定是否进行交叉pick=rand;whilepick=0pick=rand;endifpickpcrosscontinue;endflag=0;whileflag=0%随机选择交叉位pick=rand;whilepick=0pick=rand;endpos=ceil(pick.*sum(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=chrom(index(1),pos);v2=chrom(index(2),pos);chrom(index(1),pos)=pick*v2+(1-pick)*v1;chrom(index(2),pos)=pick*v1+(1-pick)*v2;%交叉结束flag1=test(lenchrom,bound,chrom(index(1),:);%检验染色体1的可行性flag2=test(lenchrom,bound,chrom(index(2),:);%检验染色体2的可行性ifflag1*flag2=0flag=0;elseflag=1;end%如果两个染色体不是都可行，则重新交叉endendret=chrom;%清空环境变量clcclear%网络结构建立%读取数据loaddatainputoutput%节点个数inputnum=2;hiddennum=5;outputnum=1;%训练数据和预测数据input_train=input(1:1900,:);input_test=input(1901:2000,:);output_train=output(1:1900);output_test=output(1901:2000);%选连样本输入输出数据归一化inputn,inputps=mapminmax(input_train);outputn,outputps=mapminmax(output_train);%构建网络net=newff(inputn,outputn,hiddennum);%遗传算法参数初始化maxgen=10;sizepop=10;pcross=0.3;pmutation=0.10和1之间0和1之间%节点总数numsum=inputnum*hiddennum+hiddennum+hiddennum*outputnum+outputnum;lenchrom=ones(1,numsum);bound=-3*ones(numsum,1)3*ones(numsum,1);%数据范围%种群初始化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%初始化种群fori=1:sizepop%随机产生一个种群individuals.chrom(i,:)=Code(lenchrom,bound);%编码(binary和grey的编码结果为一个实数，float的编码结果为一个实数向量)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%找最好的染色体bestfitnessbestindex=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%记录每一代进化中最好的适应度和平均适应度trace=avgfitnessbestfitness;%迭代求解最佳初始阀值和权值%进化开始fori=1:maxgeni%选择individuals=Select(individuals,sizepop);avgfitness=sum(individuals.fitness)/sizepop;%交叉individuals.chrom=Cross(pcross,lenchrom,individuals.chrom,sizepop,bound);%变异individuals.chrom=Mutation(pmutation,lenchrom,individuals.chrom,sizepop,i,maxgen,bound);%计算适应度forj=1:sizepopx=individuals.chrom(j,:);%解码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ifbestfitnessnewbestfitnessbestfitness=newbestfitness;bestchrom=individuals.chrom(newbestindex,:);endindividuals.chrom(worestindex,:)=bestchrom;individuals.fitness(worestindex)=bestfitness;avgfitness=sum(individuals.fitness)/sizepop;trace=trace;avgfitnessbestfitness;%记录每一代进化中最好的适应度和平均适应度end%遗传算法结果分析figure(1)rc=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);x=bestchrom;%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.iw1,1=reshape(w1,hiddennum,inputnum);net.lw2,1=reshape(w2,outputnum,hiddennum);net.b1=reshape(B1,hiddennum,1);net.b2=B2;%BP网络训练%网络进化参数net.trainParam.epochs=100;net.trainParam.lr=0.1;%net.trainParam.goal=0.00001;%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;
展开阅读全文