%% 清空环境变量 clc clear tic
%% 训练数据预测数据提取及归一化 %下载输入输出数据 load data input output
%从1到2000间随机排序 k=rand(1,4000); [m,n]=sort(k);
%找出训练数据和预测数据 input_train=input(n(1:3900),:)'; output_train=output(n(1:3900),:)'; input_test=input(n(3901:4000),:)'; output_test=output(n(3901:4000),:)';
%选连样本输入输出数据归一化
[inputn,inputps]=mapminmax(input_train); [outputn,outputps]=mapminmax(output_train);
%% BP网络训练 % %初始化网络结构
net=newff(inputn,outputn,5);
net.trainParam.epochs=100; net.trainParam.lr=0.1;
net.trainParam.goal=0.0000004;
%网络训练
net=train(net,inputn,outputn);
%% BP网络预测 %预测数据归一化
inputn_test=mapminmax('apply',input_test,inputps);
%网络预测输出
an=sim(net,inputn_test);
%网络输出反归一化
BPoutput=mapminmax('reverse',an,outputps);
%% 结果分析
figure(1)
plot(BPoutput,':og') hold on
plot(output_test,'-*');
legend('预测输出','期望输出','fontsize',12) title('BP网络预测输出','fontsize',12) xlabel('样本','fontsize',12) ylabel('输出','fontsize',12) print -dtiff -r600 4-3 %预测误差
error=BPoutput-output_test;
figure(2)
plot(error,'-*')
title('神经网络预测误差')
figure(3)
plot((output_test-BPoutput)./BPoutput,'-*');
title('神经网络预测误差百分比')
errorsum=sum(abs(error)) toc
save data net inputps outputps
function ret=Code(lenchrom,bound)
%本函数将变量编码成染色体，用于随机初始化一个种群 % lenchrom input : 染色体长度
% bound input : 变量的取值范围 % ret output: 染色体的编码值 flag=0;
while flag==0
pick=rand(1,length(lenchrom));
ret=bound(:,1)'+(bound(:,2)-bound(:,1))'.*pick; %线性插值，编码结果以实数向量存入ret中
flag=test(lenchrom,bound,ret); %检验染色体的可行性 end
function ret=Cross(pcross,lenchrom,chrom,sizepop,bound) %本函数完成交叉操作
% pcorss input : 交叉概率
% lenchrom input : 染色体的长度 % chrom input : 染色体群
% sizepop input : 种群规模
% ret output : 交叉后的染色体
for i=1:sizepop %每一轮for循环中，可能会进行一次交叉操作，染色体是随机选择的，交叉位置也是随机选择的，%但该轮for循环中是否进行交叉操作则由交叉概率决定（continue控制）
% 随机选择两个染色体进行交叉 pick=rand(1,2); while prod(pick)==0 pick=rand(1,2); end
index=ceil(pick.*sizepop); % 交叉概率决定是否进行交叉 pick=rand; while pick==0 pick=rand; end
if pick>pcross continue; end flag=0;
while flag==0
% 随机选择交叉位 pick=rand; while pick==0 pick=rand; end
pos=ceil(pick.*sum(lenchrom)); %随机选择进行交叉的位置，即选择第几个变量进行交叉，注意：两个染色体交叉的位置相同 pick=rand; %交叉开始 v1=chrom(index(1),pos); v2=chrom(index(2),pos);
chrom(index(1),pos)=pick*v2+(1-pick)*v1;
chrom(index(2),pos)=pick*v1+(1-pick)*v2; %交叉结束
flag1=test(lenchrom,bound,chrom(index(1),:)); %检验染色体1的可行性 flag2=test(lenchrom,bound,chrom(index(2),:)); %检验染色体2的可行性 if flag1*flag2==0 flag=0; else flag=1;
end %如果两个染色体不是都可行，则重新交叉 end end
ret=chrom; data
for i=1:4000
input(i,:)=10*rand(1,2)-5;
output(i)=input(i,1)^2+input(i,2)^2; end
output=output';
save data input output fun
function fitness = fun(x)
% 函数功能：计算该个体对应适应度值 % x input 个体
% fitness output 个体适应度值 %
load data net inputps outputps
%数据归一化 x=x';
inputn_test=mapminmax('apply',x,inputps);
%网络预测输出
an=sim(net,inputn_test);
%网络输出反归一化
fitness=mapminmax('reverse',an,outputps);
genetic
web browser http://www.ilovematlab.cn/thread-61659-1-1.html %% 清空环境变量 clc clear
%% 初始化遗传算法参数 %初始化参数
maxgen=100; %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
lenchrom=[1 1]; %每个变量的字串长度，如果是浮点变量，则长度都为1 bound=[-5 5;-5 5]; %数据范围
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
%% 初始化种群计算适应度值 % 初始化种群 for i=1:sizepop
%随机产生一个种群
individuals.chrom(i,:)=Code(lenchrom,bound); x=individuals.chrom(i,:); %计算适应度
individuals.fitness(i)=fun(x); %染色体的适应度 end
%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];
%% 迭代寻优 % 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); end