1、利用MATLAB实现遗传算法和MATLAB神经网络工具箱的使用教学提纲利用MATLAB实现遗传算法和MATLAB神经网络工具箱的使用实验一 利用MATLAB实现遗传算法一、实验目的1、熟悉MATLAB语言编程环境2、掌握MATLAB语言命令3、学会利用MATLAB编程实现遗传算法二、实验原理MATLAB是美国Math Works公司出品的商业数学软件，用于算法开发、数据可视化、数据分析以及数值计算的高级技术计算语言和交互式环境，MATLAB可以进行矩阵运算、绘制函数和数据、实现算法、创建用户界面、连接其他编程语言的程序等，主要应用于工程计算、控制设计等领域。通过学习遗传算法原理，使用MATLA
2、B编写程序，实现其求解策略。三、实验内容通过MATLAB编程，利用遗传算法求解 ： 求.三、实验要求1、程序设计2、调试3、实验结果4、撰写实验报告实验二 MATLAB神经网络工具箱的使用一、实验目的1、掌握MATLAB语言命令2、提高MATLAB程序设计能力3、学会使用MATLAB神经网络工具箱二、实验原理MATLAB语言是Math Works公司推出的一套高性能计算机编程语言，集数学计算、图形显示、语言设计于一体，其强大的扩展功能为用户提供了广阔的应用空间。它附带有30多个工具箱，神经网络工具箱就是其中之一。利用该工具箱可以方便的构建神经网络的结构模型、设计、训练等，实现神经网络算法。三、
3、实验内容通过MATLAB编程，利用神经网络工具箱预测公路运量 ： 公路运量主要包括公路客运量和公路货运量两个方面。据研究，某地区的公路运量主要与该地区的人数、机动车数量和公路面积有关，上表给出了该地区20年的公路运量相关数据。根据有关部门数据，该地区2010和2011年的人数分别为73.39和75.55万人，机动车数量分别为3.9635和4.0975万辆，公路面积分别为0.9880和1.0268万平方千米。请利用BP网络预测该地区2010和2011年的公路客运量和公路货运量。某地区20年公路运量数据年份人口数量/万人机动车数量/万辆公路面积/万平方千米公路客运量/万人公路货运量/万吨19902
4、0.550.60.0951261237199122.440.750.1162171379199225.370.850.1177301385199327.130.900.1491451399199429.451.050.20104601663199530.101.350.23113871714199630.961.450.23123531834199734.061.600.32157504322199836.421.700.32183048132199938.091.850.34198368936200039.132.150.362102411099200139.992.200.36194901
5、1203200241.932.250.382043310524200344.592.350.492259811115200447.302.500.562510713320200552.892.600.593344216762200655.732.700.593683618673200756.762.850.674054820724200859.172.950.694292720803200960.633.100.794346221804三、实验要求1、程序设计2、调试3、实验结果4、撰写实验报告运用遗传算法求解函数最大值：所有的子程序为M文件%子程序：计算适应度函数，函数名称存储为fitnes
6、sfu.mfunctionFitvalue,sumsump=fitnessfun(population);global BitLengthglobal boundsbeginglobal boundsendpopsize=size(population,1); for i=1:popsizex=transform2to10(population(i,:); xx=boundsbegin+x*(boundsend-boundsbegin)/(power(boundsend),BitLength)-1);Fitvalue(i)=targetfun(xx); endFitvalue(i)=Fitva
7、lue+230; fsum=sum(Fitvalue);Pperpopulation=Fitvalue/fsum; cumsump(1)=Pperpopulation(1);for i=2:popsizecumsump(i)=cumsumo(i-1)+Pperpopulation(i);endcumsump=cumsump;%子程序：新种群交叉操作，函数名称存储为crossover.mfunction scro=crossover(population,seln,pc)BitLength=size(population,2);pcc=IfCroIfMut(pc); if pcc=1chb=ro
8、und(rand*(BitLength-2)+1; scro(1,:)=population(seln(1),1:chb),population(seln(2),chb+1:BitLength); scro(2,:)=population(seln(2),1:chb),population(seln(1),chb+1:BitLength);else scro(1,:)=population(seln(1),:); scro(2,:)=population(seln(2),:); end %子程序：新种群变异操作，函数名称存储为mutation.mfunction snnew=mutation(
9、snew,pmutation);BitLength=size(snew,2);snnew=snew;pmm=IfCroIfMut(pmutation); if pmm=1chb=round(rand*(BitLlength-1)+1; end%子程序：判断遗传运算是否需要进行交叉或变异，函数名称存储为IfCroIfMut.mfunction pcc=IfCroIfMut(mutORcro);test(1:100)=0;1=round(100*mutORcro);test(1:1)=1;n=round(rand*99)+1;pcc=test(n);%子程序：新种群选择操作，函数名称存储为sele
10、ction.mfunction seln=selection(population,cumsump); for i=1:2 r=rand; prand=cumsump-r; j=1; whlie prand(j)0 j=j+1;endseln(i)=j; end%子程序：将二进制数转换为十进制数，函数名称存储为transform2to10.mfunction x=transform2to10(Population);BitLength=size(Population,2);x=Population(BitLength);for i=1:BitLength-1 x=x+Population(Bi
11、tLength-i)*power(2,i);end%子程序：对于优化最大值或者极大值函数问题，目标函数可以作为适应度函数，%函数名称存储为targetfun.mfunction y=targetfun(x); y=200*exp(-0.05*x).*sin(x); %主程序：用遗传算法求解y=200*exp（-0.05*x）.*sin（x）在-2 2区间上的最大值clc;clear all;close all;global BitLengthglobal boundsbeginglobal boundsendbounds=-2 2; precision=0.0001; boundsbegin=
12、bounds(:,1);boundsend=bounds(:,2);BitLength=cell(log2(boundsend-boundsbegin)./precision); popsize=50; Generationnmax=12; pcrossover=0.90; pmutation=0.09; population=round(rand(popsize,BitLength); Fitvalue,cumsump=fitnessfun(population); cumsumpGeneration=1;while GenerationGenerationnmax+1for j=1:2:p
13、opsizeseln=selection(population,cumsump); scro=crossover(popuoation,seln,pcrossover); scnew(j,:)=scro(1,:);scnew(j+1,:)=scro(2,:);smnew(j,:)=mutation(scnew(j,:),pmutation); smnew(j+1,:)=mutation(scnew(j+1,:),pmutation);endpopulation=smnew; Fitvalue,cumsump=fitnessfun(population); fmax,nmax=max(Fitva
14、lue); fmean=mean(Fitvalue);ymax(Generation)=fmax;ymean(Generation)=fmean;x=transform2to10(population(nmax,:); xx=boundsbegin+x*(boundsend-boundsbegin)/(power(boundsend),BitLength)-1);xmax(Generation)=xx;Generation=Generation+1;endGeneration=Generation-1;Bestpopulation=xx;Besttargetfunvalue=targetfun
15、(xx);figure(1);hand1=plot(1:Generation,ymax);set(hand1,linestyle,-,linewidth,1.8,marker,*,markersize,6)hold on;hand2=polt(1:Generation,ymean);set(hand2,color,linestyle,linewidth,1.8,marker,h,mrkersize,6)xlabel; ylabel; xlim(1 Generationnmax);legend; box off;hold off附件二（参考程序）利用神经网络工具箱预测公路运量：为了了解利用BP网
16、络求解问题的过程，把问题分为六个模块处理：1.原始数据的输入；2.数据归一化；3.网络训练；4.对原始数据进行仿真；5.将原始数据仿真的结果与已知样本进行对比；6.对新数据进行仿真。clc%原始数据%人数（单位：万人）sqrs=20.55 22.44 25.37 27.13 29.45 3.10 30.96 34.06 36.42 38.09 39.13 39.99 41.93 44.59 47.30 52.89 55.73 56.76 59.17 60.63;%机动车数（单位：万辆）sqjdcs=0.6 0.75 0.85 0.9 1.05 1.35 1.45 1.6 1.7 1.85 2.
17、15 2.2 2.25 2.35 2.5 2.6 2.7 2.85 2.95 3.1;%公路面积（单位：万平方千米）sqglmj=0.09 0.11 0.11 0.14 0.20 0.23 0.23 0.32 0.32 0.34 0.36 0.36 0.38 0.49 0.56 0.59 0.59 0.67 0.69 0.79;%公路客运量（单位：万人）glkyl=5126 6217 7730 9145 10460 11387 12353 15750 18304 19836 21024 19490 20433 22598 25107 33442 36836 40548 42927 43462;
18、%公路货运量（单位：万吨）glhyl=1237 1379 1385 1399 1663 1714 1834 4322 8132 8936 11099 11203 10524 11115 13320 16762 18673 20724 20803 21804;p=sqrs;sqjdcs;sqglmj; %输入数据矩阵t=glkyl;glhyl; %目标数据矩阵%利用函数premnmx对数据进行归一化pn,minp,maxp,tn,mint,maxt=premnmx(p,t); %对于输入矩阵p和输出矩阵t进行归一化处理dx=-1,1;-1,1;-1,1; %归一化处理后最小值为-1，最大值为1%
19、BP网络训练net=newff(dx,3,7,2,tansig,tansig,purelin,traingdx); %建立模型，并用梯度下降法训练net.trainParam.show=1000; %1000轮回显示一次结果net.trainParam.Lr=0.05; %学习速率为0.05net.trainParam.epochs=5000; %最大训练轮回为5000次net.trainParam.goal=0.65*10(-3); %均方误差net=train(net,pn,tn); %开始训练，其中pn,tn分别为输入输出样本%利用原始数据对BP网络仿真an=sim(net,pn); %
20、用训练好的模型进行仿真a=postmnmx(an,mint,maxt); %把仿真得到的数据还原为原始的数量级%本例因样本容量有限使用训练数据进行测试，通常必须用新鲜数据进行测试x=1990:2009;newk=a(1,:);newh=a(2,:);figure(2);subplot(2,1,1);plot(x,newk,r-o,x,glkyl,b-+); %绘制公路客运量对比图legend(网络输出客运量,实际客运量); xlabel(年份);ylabel(客运量/万人);title(运用工具箱客运量学习和测试对比图);subplot(2,1,2);plot(x,newh,r-o,x,glh
21、yl,b-+); %绘制公路货运量对比图legend(网络输出货运量,实际货运量);xlabel(年份);ylabel(货运量/万吨); title(运用工具箱货运量学习和测试对比图); %利用训练好的网络进行预测%利用训练好的网络进行预测%当用训练好的网络对新数据pnew进行预测时，也应做相应的处理pnew=73.39 75.55 3.9635 4.0975 0.9880 1.0268; %2010年和2011年的相关数据pnewn=tramnmx(pnew,minp,maxp); %利用原始输入数据的归一化参数对新数据进行归一化anewn=sim(net,pnewn); %利用归一化后的数据进行仿真anew=postmnmx(anewn,mint,maxt) %把仿真得到的数据还原为原始的数量级
