1、用遗传算法优化BP神经网络的Matlab编程实例（转）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 offXX=1:19;2:20;3:21;4:22;YY=1:4;XX=premnmx(XX);YY
2、=premnmx(YY);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save data2 XX YY % 是将 xx,yy 二个变数的数值存入 data2 这个MAT-file，initPpp=initializega(popu,aa,gabpEval);%初始
3、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gabpEvalx,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 onplot(trace(:,1),1./trace(:,2),b-);xlabel(Generation);ylabel(Sum-Square
4、d Error);figure(2)plot(trace(:,1),trace(:,3),r-);hold onplot(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.LW2,1=W1;net.LW3,2=W2;net.b2,1=B1;net.b3,1=B2;XX=P;YY=T;%设置训练参数net.trainParam.show=1;net.trainParam.lr=1;ne
5、t.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_generationload data2nntwarn offXX=premnmx(XX);YY=p
6、remnmx(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 data2nntwarn offXX=premnmx(XX);YY=premnmx(YY);P=XX;T=YY;R=size(P,1
7、);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W1for i=1:S1, for k=1:R, W1(i,k)=x(R*(i-1)+k); endend% 接着的S1*S2个编码（即第R*S1个后的编码）为W2for i=1:S2, for k=1:S1, W2(i,k)=x(S1*(i-1)+k+R*S1); endend% 接着的S1个编码（即第R*S1+S1*S2个后的编码）为B1for 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B2for 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; % 遗传算法的适应值想运行程序，直接在代码窗口输入GABPNET即可。对了，运行程序时需要调用gaot工具箱，没有装一个就行了。
