《用遗传算法优化BP神经网络的Matlab编程实例.pdf》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.pdf(3页珍藏版)》请在得力文库 - 分享文档赚钱的网站上搜索。
1、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 offXX=premnmx(XX);YY=premnmx(YY);%创建网络net=newff(minmax(XX),19,25,1,
2、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gabpEvalx,endPop,bPop,trace=ga(aa,gabpEval,initPpp,1e-61 1,maxGe
3、nTerm,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 onplot(trace(:,1),1./trace(:,2),b-);xlabel(Generation);ylabel(Sum-Squared Error);figure(2)plot(trace(:,1),trace(:,3),r-);hold onplot(trace(:,1),trace(:,2),b-);xlabel(Generation
4、);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.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=ga
5、bpEval(sol,options)%val-the fittness of this individual%sol-the individual,returned to allow for Lamarckian evolution%options-current_generationload data2nntwarn 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,
6、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=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 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
7、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