基于遗传算法的BP神经网络MATLAB代码.doc

用遗传算法优化BP神经网络的Matlab编程实例（转）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functionnet=GABPNET(XXYY)%--------------------------------------------------------------------------%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nntwarnoffXX=[1:19;2:20;3:21;4:22]';YY=[1:4];XX=premnmx(XX);YY=premnmx(YY);YY%创建网络net=newff(minmax(XX)[19251]{'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(P1);S2=size(T1);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(S1)*[-11];popu=50;%种群规模savedata2XXYY%是将xxyy二个变数的数值存入data2这个MAT-fileinitPpp=initializega(popuaa'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gabpEval[xendPopbPoptrace]=ga(aa'gabpEval'[]initPpp[1e-611]'maxGenTerm'gen...'normGeomSelect'[0.09]['arithXover'][2]'nonUnifMutation'[2gen3]);%绘收敛曲线图figure(1)plot(trace(:1)1./trace(:3)'r-');holdonplot(trace(:1)1./trace(:2)'b-');xlabel('Generation');ylabel('Sum-SquaredError');figure(2)plot(trace(:1)trace(:3)'r-');holdonplot(trace(:1)trace(:2)'b-');xlabel('Generation');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[W1B1W2B2PTA1A2SEval]=gadecod(x);net.LW{21}=W1;net.LW{32}=W2;net.b{21}=B1;net.b{31}=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(netXXYY);程序二：适应值函数function[solval]=gabpEval(soloptions)%val-thefittnessofthisindividual%sol-theindividualreturnedtoallowforLamarckianevolution%options-[current_generation]loaddata2nntwarnoffXX=premnmx(XX);YY=premnmx(YY);P=XX;T=YY;R=size(P1);S2=size(T1);S1=25;%隐含层节点数S=R*S1+S1*S2+S1+S2;%遗传算法编码长度fori=1:Sx(i)=sol(i);end;[W1B1W2B2PTA1A2SEval]=gadecod(x);程序三：编解码函数function[W1B1W2B2PTA1A2SEval]=gadecod(x)loaddata2nntwarnoffXX=premnmx(XX);YY=premnmx(YY);P=XX;T=YY;R=size(P1);S2=size(T1);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*S