案例4遗传算法优化神经网络更好拟合函数Word格式.docx
- 文档编号:4578074
- 上传时间:2023-05-03
- 格式:DOCX
- 页数:16
- 大小:75.17KB
案例4遗传算法优化神经网络更好拟合函数Word格式.docx
《案例4遗传算法优化神经网络更好拟合函数Word格式.docx》由会员分享,可在线阅读,更多相关《案例4遗传算法优化神经网络更好拟合函数Word格式.docx(16页珍藏版)》请在冰点文库上搜索。
∙BP网络预测
主要的代码段分析如下:
3.2结果分析
采用遗传算法优化神经网络,并且用优化好的神经网络进行系统极值预测,根据测试函数是2输入1输出,所以构建的BP网络结构是2-5-1,一共去2000组函数的输入输出,用其中的1900组做训练,100组做预测。
遗传算法的基本参数为个体采用浮点数编码法,个体长度为21,交叉概率为0.4,变异概率为0.2,种群规模是20,总进化次数是50次,最后得到的遗传算法优化过程中最优个体适应度值变化如下所示:
4案例扩展
4.1网络优化方法的选择
4.2算法的局限性清空环境变量
clc
clear
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=50;
%进化代数,即迭代次数
sizepop=20;
%种群规模
pcross=[0.4];
%交叉概率选择,0和1之间
pmutation=[0.2];
%变异概率选择,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
maxgen
i
%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:
x=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
ifbestfitness>
newbestfitness
bestfitness=newbestfitness;
bestchrom=individuals.chrom(newbestindex,:
individuals.chrom(worestindex,:
)=bestchrom;
individuals.fitness(worestindex)=bestfitness;
trace=[trace;
avgfitnessbestfitness];
%记录每一代进化中最好的适应度和平均适应度
i=
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
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;
Warning:
Ignoringextralegendentries.
适应度变量
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.iw{1,1}=reshape(w1,hiddennum,inputnum);
net.lw{2,1}=reshape(w2,outputnum,hiddennum);
net.b{1}=reshape(B1,hiddennum,1);
net.b{2}=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=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;
figure
(2)
plot(error)
k=error./output_test
k=
Columns1through9
-0.00030.00100.00030.00010.0002-0.00050.00030.00030.0109
Columns10through18
-0.0007-0.00030.0002-0.0008-0.0015-0.00020.00110.00020.0004
Columns19through27
0.00020.0003-0.00000.0000-0.0004-0.00040.00050.00010.0023
Columns28through36
-0.0000-0.00030.0000-0.0005-0.00020.0003-0.0002-0.00020.0001
Columns37through45
0.00010.00020.00020.0011-0.0004-0.00060.00020.00000.0000
Columns46through54
0.00010.00010.0000-0.00010.00160.0002-0.0003-0.0000-0.0000
Columns55through63
0.00000.0003-0.00040.00010.00020.00020.00020.00000.0002
Columns64through72
0.0002-0.00010.00030.00050.0002-0.0003-0.0001-0.00000.0002
Columns73through81
0.0000-0.0002-0.00020.0002-0.0000-0.00030.0001-0.00010.0006
Columns82through90
-0.00060.00030.0068-0.00050.0001-0.0001-0.0001-0.0010-0.0002
Columns91through99
0.00010.0002-0.00000.00030.00000.0000-0.0003-0.00010.0003
Column100
-0.0004
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 案例 遗传 算法 优化 神经网络 更好 拟合 函数