基于遗传算法优化的神经网络算法

%% 该代码为基于遗传算法神经网络的预测代码  
% 清空环境变量  
clc  
clear  
%   
%% 网络结构建立  
%读取数据  
load data input output  
  
%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=20;                         %进化代数，即迭代次数  
sizepop=10;                        %种群规模  
pcross=[0.2];                       %交叉概率选择，0和1之间  
pmutation=[0.1];                    %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  
for i=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  
FitRecord=[];  
%找最好的染色体  
[bestfitness bestindex]=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=[avgfitness bestfitness];   
   
%% 迭代求解最佳初始阀值和权值  
% 进化开始  
for i=1: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   
    for j=1:sizepop  
        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  
    if bestfitness>newbestfitness  
        bestfitness=newbestfitness;  
        bestchrom=individuals.chrom(newbestindex,:);  
    end  
    individuals.chrom(worestindex,:)=bestchrom;  
    individuals.fitness(worestindex)=bestfitness;  
      
    avgfitness=sum(individuals.fitness)/sizepop;  
      
    trace=[trace;avgfitness bestfitness]; %记录每一代进化中最好的适应度和平均适应度  
    FitRecord=[FitRecord;individuals.fitness];  
end  
  
%% 遗传算法结果分析   
figure(1)  
[r c]=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');  
  
%% 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,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;