《08遗传算法优化BP神经网络权值和阈值地通用MATLAB源码》由会员分享，可在线阅读，更多相关《08遗传算法优化BP神经网络权值和阈值地通用MATLAB源码（6页珍藏版）》请在装配图网上搜索。
1、word遗传算法优化BP神经网络权值和阈值的通用MATLAB源代码遗传算法优化神经网络有两种情况，一种是把训练好的神经网络作为黑箱函数，用遗传算法搜索该黑箱函数的最优解；另外一种，如此是把遗传算法用于神经网络的训练，充分利用遗传算法全局搜索的特性，得到一个初始的权值矩阵和初始的阈值向量，再用其它训练算法如BP算法，得到最终的神经网络结构。GreenSim团队大量实践证明，这种GA和BP网络相结合的方法，能显著地提高BP神经网络的性能，根本上和支持向量机的性能相当，有时甚至优于支持向量机。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。
2、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)%-% 使用遗传算法对BP网络权值阈值进展优化，再用BP算法训练网络% GreenSim团队专业级算法设计&代写程序% 欢迎访问GreenSim团队主页blog.sina./greensim%-%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,tansig,tansig,p
3、urelin,trainlm);%下面使用遗传算法对网络进展优化P=XX;T=YY;R=size(P,1);S2=size(T,1);S1=25;%隐含层节点数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-6 1 1,maxGenTerm,gen,. normGeomSelect,0.09,arithXover,2
4、,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);ylabel(Fittness);%下面将初步得到的权值矩阵赋给尚未开始训练的BP
5、网络W1,B1,W2,B2,P,T,A1,A2,SE,val=gadecod(x);net.LW2,1=W1;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 = gabpEval(sol,options)% val - the fittness of this indivi
6、dual% 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, B1, W2, B2, P, T, A1, A2, SE, val=gadecod(
7、x);程序三：编解码函数function W1, B1, W2, B2, P, T, A1, A2, SE, val=gadecod(x)load data2nntwarn offYY=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个编码即第R*S1个后的编码为W2for i=1:S2, for k=1:S1, W2(i
8、,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; % 遗传算法的适应值注意：上面的函数需要调用gaot工具箱，请从网上搜索下载源代码运行结果展示6 / 6
08遗传算法优化BP神经网络权值和阈值地通用MATLAB源码
