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
- function net=GABPNET(XX,YY)
- %--------------------------------------------------------------------------
- % 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
- nntwarn off
- XX=premnmx(XX);
- YY=premnmx(YY);
- %创建网络
- net=newff(minmax(XX),[19,25,1],{'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(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
- 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gabpEval
- [x,endPop,bPop,trace]=ga(aa,'gabpEval',[],initPpp,[1e-6 1 1],'maxGenTerm',gen,...
- 'normGeomSelect',[0.09],['arithXover'],[2],'nonUnifMutation',[2 gen 3]);
- %绘收敛曲线图
- figure(1)
- plot(trace(:,1),1./trace(:,3),'r-');
- hold on
- plot(trace(:,1),1./trace(:,2),'b-');
- xlabel('Generation');
- ylabel('Sum-Squared Error');
- figure(2)
- plot(trace(:,1),trace(:,3),'r-');
- hold on
- plot(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
- [W1,B1,W2,B2,P,T,A1,A2,SE,val]=gadecod(x);
- net.LW{2,1}=W1;
- net.LW{3,2}=W2;
- net.b{2,1}=B1;
- net.b{3,1}=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 individual
- % sol - the individual, returned to allow for Lamarckian evolution
- % options - [current_generation]
- load data2
- nntwarn off
- XX=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(x);
- 程序三：编解码函数
- function [W1, B1, W2, B2, P, T, A1, A2, SE, val]=gadecod(x)
- load data2
- nntwarn off
- XX=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
- % 前R*S1个编码为W1
- for i=1:S1,
- for k=1:R,
- W1(i,k)=x(R*(i-1)+k);
- end
- end
- % 接着的S1*S2个编码（即第R*S1个后的编码）为W2
- for i=1:S2,
- for k=1:S1,
- W2(i,k)=x(S1*(i-1)+k+R*S1);
- end
- end
- % 接着的S1个编码（即第R*S1+S1*S2个后的编码）为B1
- for 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B2
- for 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
上述程序需要调用gaot工具箱
来自：2nsoft.cn本文内容由 frogfish 提供 |
