神网络遗传算法在非线性函数极值寻优中应用研究.pdfVIP

1.案例背景

对于某些系统来说，其内部结构比较复杂，难以用准确的方程进行描述，因

此对于这种系统，想寻优得到一组输入，使其输出的某项指标最优是一个复杂的

问题，常规的方法难以求解。这类问题可以用神经网络遗传算法来求解，其基本

思路是综合了神经网络系统拟合和遗传算法非线性寻优的优点。首先，用BP网

络来仿真拟合这个系统，把被拟合的系统看成是一个黑箱，先取出若干组系统的

输入输出数据对BP网络进行训练，训练后的BP网络就可以表达这个系统，已

知系统输入值的情况下，可以用它来预测系统的输出值。然后把BP网络的输出

值看成是个体的适应度值，用遗传算法来寻找系统的最佳输入值，使对应的适应

度值最优。本案例就是用遗传算法来寻找标准测试函数的极值，表明该算法在未

知系统极值寻优中的作用。

2模型建立

2.1预测系统描述

本案例用来演示极值寻优的标准测试函数如下：

2.2遗传算法及操作

2.3算法模型

神经网络遗传算法整个系统的模型主要分为神经网络训练拟合和遗传

算法寻优两大块，整个算法的流程图如图3.2所示：

整个算法主要分为神经网络和遗传算法两大模块，其中神经网络模块的作

用是根据寻优系统的结构构建合适的神经网络，用系统的输入输出数据训练后来

表达这个系统。神经网络模块又可以分为BP神经网络构建，BP神经网络训练

和BP神经网络预测是三个子模块。其中BP网络构建根据被拟合系统的输入输

出参数构建合适的BP网络，该网络的输入节点和系统输入参数对应，输出节点

和系统输出参数对应。BP神经网络训练用系统输入输出数据对BP网络进行训

练，BP神经网络拟合，用训练好的BP网络根据系统输入预测系统输出，遗传

算法模块用训练好的BP网络构建适应度函数，采用选择、交叉、变异等遗传算

子寻找系统最佳输出。

3matlab实现

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

•初始化遗传算法参数

•初始化种群计算适应度值

•迭代寻优

•结果分析

结果分析

4案例扩展

4.1不同网络的选择

4.2影响拟合精度的因素