MATLAB实现遗传算法优化BP神经网络预测数值(GABP)

news2024/11/13 10:29:56

遗传算法（Genetic Algorithm, GA）和反向传播（Back Propagation, BP）神经网络是两种强大的算法，分别用于优化和机器学习。将遗传算法与BP神经网络结合，可以利用遗传算法的全局搜索能力来优化BP神经网络的初始权重和偏置，从而避免BP神经网络陷入局部最优，并提高网络的训练速度和精度。

以下是遗传算法优化BP神经网络的基本步骤和流程：

1.编码：首先，需要将BP神经网络的权重和偏置编码为遗传算法的基因。这通常通过将权重和偏置值以实数的编码来实现。
2.初始化种群：随机生成一组初始解（即一组权重和偏置的编码），每个解代表一个个体，多个个体组成一个种群。种群的大小（即个体的数量）可以根据问题的复杂性和计算资源来确定。
3.适应度函数设计：设计一个适应度函数来评估每个个体的优劣。采用BP神经网络的训练误差。误差越小，个体的适应度就越高。
4.选择操作：根据适应度函数的结果，选择优秀的个体进入下一代。这可以通过轮盘赌选择、锦标赛选择等方法来实现。
5.交叉操作：随机选择种群中的两个个体，以一定的概率进行交叉操作，生成新的个体。交叉操作的方式可以是单点交叉、多点交叉、均匀交叉等。
6.变异操作：以一定的概率对种群中的个体进行变异操作，以增加种群的多样性。变异可以是位反转、位交换、实数变异等方式。
7.迭代进化：重复步骤4-6，直到满足终止条件（如达到预设的进化代数、适应度达到预设阈值等）。
8.解码与BP神经网络训练：将遗传算法得到的最佳个体解码为BP神经网络的初始权重和偏置，然后使用标准的BP算法进行训练。
9.测试与评估：使用测试数据集评估训练好的BP神经网络的性能。

MATLAB主程序如下:

完整代码见:https://download.csdn.net/download/corn1949/89156937

%% 遗传算法 优化BP
clc;close all;clear all;%清除变量
rand('seed',1000);
randn('seed',1000);
format long g;
addpath(genpath('mytoolbox'));

global inputnumber hiddenumber outputnumber input_train output_train input_test P1 P2 T1 T2 inputps outputps indexM N;

X=rand(200,3);
Y=sum(X,2);

Inputdata=X';
Outputdata=Y';

snumber=size(Outputdata,2);
% index200=1:snumber;%顺序样本
index200=randperm(snumber);%随机样本
numberTest=50;%用于测试的样本个数

indextrain=index200(1:end-numberTest);
indextest=index200(end-numberTest+1:end);

% 定义训练集
P1=Inputdata(:,indextrain);
T1=Outputdata(:,indextrain);
% 定义测试集
P2=Inputdata(:,indextest);
T2=Outputdata(:,indextest);
%设置训练集和测试集

%% (2)训练数据归一化
[input_train,inputps]=mapminmax(P1);
[output_train,outputps]=mapminmax(T1);
%测试数据归一化
input_test=mapminmax('apply',P2,inputps);
output_test=mapminmax('apply',T2,outputps);


[k11,k12]=size(input_train);%计算维数
inputnumber=k11;%输入维数
hiddenumber=8;%隐含神经元数
outputnumber=size(output_train,1);%输出维数;%输出维数
S=[hiddenumber*inputnumber,outputnumber*hiddenumber,hiddenumber*1,outputnumber*1];
indexM=S2indexMfun(S);
N=sum(S);% 编码长度

tic;
[x0,ybptest]=myfun2();
bptime=toc;


% 遗传算法参数
popsize=50;%遗传算法种群数
maxgen=100;%遗传算法迭代次数
PM=0.1;%变异概率
PC=0.8;%交叉概率

lb=-3*ones(1,N);
ub=3*ones(1,N);

%% 遗传算法主程序
%性能跟踪
tic;
tracematga=zeros(maxgen,2);
gen=0;
Chrom=genChrome(popsize,N,lb,ub,x0);% 建立种群
Value = decodingFun(Chrom,popsize);% 解码染色体
[vmin,indexmin]=min(Value);
bestValue=vmin;% 记录函数的最优值
bestChrom=Chrom(indexmin,:);% 记录函数的最优染色体

%% 遗传算法优化
%进度条
wait_hand = waitbar(0,'running...', 'tag', 'TMWWaitbar');
while gen<maxgen
    %% 遗传算子
    FitnV=ranking(Value);% 分配适应度值
    Chrom=select('rws',Chrom,FitnV,1);% 选择
    Chrom=mutationGA(Chrom,popsize,PM,N,lb,ub);% 种群变异,单点变异
    Chrom=crossGA(Chrom,popsize,PC,N);% 种群交叉,2点交叉
    Value = decodingFun(Chrom,popsize);% 解码染色体
    
    %% 计算最优
    [vmin,indexmin]=min(Value);
    gen=gen+1;
    
    %% 记录最优
    if bestValue>vmin
        bestValue=vmin;% 记录函数的最优值
        bestChrom=Chrom(indexmin,:);% 记录最优染色体
    end
    tracematga(gen,1)=bestValue;% 保留最优
    tracematga(gen,2)=mean(Value);
    
    waitbar(gen/maxgen,wait_hand);% 每循环一次更新一次进步条
end
delete(wait_hand);% 执行完后删除该进度条
gabptime=toc;% 运行时间

% 显示结果
disp('遗传算法优化得到的最优目标函数');
bestValue
% disp('遗传算法优化得到的最优染色体');
% bestChrom


figure;
plot(tracematga(:,1),'r-','linewidth',1);
legend({'种群最优值'},'fontname','宋体');
xlabel('迭代次数','fontname','宋体');
ylabel('目标函数','fontname','宋体');
title('遗传算法优化BP神经网络收敛曲线','fontname','宋体');


%% 以优化得到的权值阀值寻bp神经网络
x=bestChrom;
[y,y_ga_bp_test,net]=myfun(x);

程序结果如下: