案例4：遗传算法优化神经网络-更好拟合函数..docVIP

遗传算法优化神经网络-更好拟合函数 1.案例背景 ? ? BP神经网络是一种反向传递并且能够修正误差的多层映射函数，它通过对未知系统的输入输出参数进行学习之后，便可以联想记忆表达该系统。但是由于BP网络是在梯度法基础上推导出来的，要求目标函数连续可导，在进化学习的过程中熟练速度慢，容易陷入局部最优，找不到全局最优值。并且由于BP网络的权值和阀值在选择上是随机值，每次的初始值都不一样，造成每次训练学习预测的结果都有所差别。遗传算法是一种全局搜索算法，把BP神经网络和遗传算法有机融合，充分发挥遗传算法的全局搜索能力和BP神经网络的局部搜索能力，利用遗传算法来弥补权值和阀值选择上的随机性缺陷，得到更好的预测结果。本案例用遗传算法来优化神经网络用于标准函数预测，通过仿真实验表明该算法的有效性。2.模型建立2.1预测函数2.2 模型建立? ? 遗传算法优化BP网络的基本原理就是用遗传算法来优化BP网络的初始权值和阀值，使优化后的BP网络能够更好的预测系统输出。遗传算法优化BP网络主要包括种群初始化，适应度函数，交叉算子，选择算子和变异算子等。2.3 算法模型3.编程实现3.1代码分析? ? 用matlabr2009编程实现神经网络遗传算法寻找系统极值，采用cell工具把遗传算法主函数分为以下几个部分：Contents 清空环境变量 网络结构确定 遗传算法参数初始化 迭代求解最佳初始阀值和权值 遗传算法结果分析 把最优初始阀值权值赋予网络预测 BP网络训练 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 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=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:sizepo