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
注意:上面的函数需要调用gaot工具箱,请从附件里下载!
程序是没有问题的,不过我可能忘说了,就是程序里面有几处是需要修改,它们是
程序一:
net=newff(minmax(XX),[19,25,1],{'tansig','tansig','purelin'},'trainlm');
程序二:
S1=25;%隐含层节点数
程序三:
S1=25;%隐含层节点数
用遗传算法优化BP神经网络的Matlab编程实例
来源:互联网 发布日期:2011-12-04 19:28:36 浏览:128215次
导读: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...
相关内容
- 消息称蚂蚁集团AI训练取得突破:使用国产芯片,成本降低20%
- 社科院报告:人工智能发展对国际社会影响越发显著
- 王衍行评:AI人才争夺战内幕:扎克伯格也亲自出马
- 中美AI风险投资规模相差4倍,启明创投邝子平称“落差不太坏”
- 肥胖界的AI突破:全球首个体重管理 AI 大模型“减单”发布
- 全新 ARC-AGI-2 测试登场:AI 模型得分惨淡,被人类碾压
- 「Apple AI」中文版正式上线:还不太好用,但确实很「苹果」
- OpenAI 刚刚开源了 PaperBench,用于评估 Agent 复现顶尖论文能力!
- 谷歌AI笔记应用NotebookLM新增“发现资料”功能
- 脉脉报告:人工智能从业者安全感最高
AiLab云推荐

最新资讯
本月热点
热门排行
-
DeepSeek风暴席卷AI产业链
阅读量:4741
-
国内各大AI产品功能横向对比及使用建议(2024年12月):文本生成、图片生成&图片处理、智能体篇更新汇总
阅读量:1879
-
中美AI风险投资规模相差4倍,启明创投邝子平称“落差不太坏”
阅读量:1671
-
全新 ARC-AGI-2 测试登场:AI 模型得分惨淡,被人类碾压
阅读量:1633
-
社科院报告:人工智能发展对国际社会影响越发显著
阅读量:1621
-
网友热评Deepseek新版V3:编程堪比最强AI,期待更强R2!
阅读量:1596
推荐内容
- 2025年德国汉诺威工业博览会
- 2025年俄罗斯莫斯科国际建材展
- 2025年俄罗斯莫斯科建材展 MosBuild 2025
- 2025年白俄罗斯国际冶金展览会
- 2025年白俄罗斯国际铸造展览会
- 2025年俄罗斯莫斯科夏季国际电力电子展览会
- 2025年白俄罗斯国际冶金、铸造、钢铁、金属加工展览会
- LAAD2025第14届巴西(里约热内卢)国际防务展
- 2025越南(河内)消费电子及家电展览会
- 2025越南国际珠宝首饰展览会
- 2025越南国际钟表展览会
- 2025越南国际家电及消费电子展览会
- 2025越南国际玩具及婴童用品展览会
- 2025越南国际灯光音响及乐器展览会
- 2025越南国际教育装备展览会
- 2025第34届越南国际贸易博览会
- 2025越南国际办公用品及文具展览会
- 2025越南河内眼镜光学展览会
- 2025 第六届墨西哥国际压铸展汽配展交通配件展自动化科技展