matlab 遗传算法参数优化,Matlab基于BP神经网络模型的遗传算法多参数优化程序

向右看齐 2023-01-15 12:24 174阅读 0赞

问题的提出：

假设现在有n个变量(n>=2)，X1,X2,X3…Xn,一个目标参数Y

Y=f(X1,X2,X3…Xn)，X(：)与Y之间的函数关系用神经网络模型来表示

现在我想用遗传算法对上述模型进行优化，使得X1,X2,X3,…Xn这n个变量适当组合使得Y为最大值。x1∈\[a,b\],x2∈\[c,d\],x3∈\[e,f\],…, Xn∈\[z,p\]

1.   自编程序怎么做，用二进制编码还是实数编码该怎么做

2.   采用遗传算法工具箱又该怎么做？？？？？？？？

现在假设n=3，x1∈\[8.5,8.7\]，x2∈\[0.1,0.2\], x3∈\[3,4\]，以下是自己试编的部分程序,调试出错，请高手指点！！！先谢谢啦！

P=\[8.5   0.1     3.5

8.5   0.2     3.5

8.7   0.1     3.5

8.7   0.2     3.5

8.6   0.1     3

8.6   0.1     4

8.6   0.2     3

8.6   0.2     4

8.5   0.15 3

8.7   0.15 3

8.5   0.15 4

8.7   0.15 4

8.6   0.15 3.5

8.6   0.15 3.5\];

T=\[36.99

32.86

31.85

27.58

44.17

36.89

42.14

32.15

38.16

42.20

35.42

29.39

47.40

46.87

47.92\];

P=P'

T=T'

1. BP神经网络的建立

% mybpnet.m

%BP神经网络的建立 ，命名为mybpnet.m

P %训练数据的输入

T %训练数据的输出

P=P';

T=T';

nntwarn off

\[Pn,minP,maxP,Tn,minT,maxT\]=premnmx(P,T);%归一化处理

%创建网络

net=newff(minmax(Pn),\[12,1\],\{'tansig','purelin'\},'trainlm'); %隐层数为12，网络结构为3-12-1

%设置训练参数

net.trainParam.show=50; %每50次显示一次

net.trainParam.lr=0.05; %学习速率

net.trainParam.epochs=1000; %最大训练次数

net.trainParam.goal=0.001;   %精度

%训练网络

net=train(net,Pn,Tn); %网络训练

yn=sim(net,Pn) %仿真输出

y=postmnmx(yn,minT,maxT) %反归一化

save BPnet net %保存网络

2. 以BP神经网络模型为基础的适应度函数

% wxffun.m

%以BP神经网络模型为基础的适应度函数，保存为wxffun.m

function eval= wxffun (x)

P %训练数据的输入

T %训练数据的输出

P=P';

T=T';

nntwarn off

\[Pn,minP,maxP,Tn,minT,maxT\]=premnmx(P,T);%归一化处理

load BPnet %调用保存的网络

w1=net.iw\{1,1\} ; %显示输入层到隐层权值

w2=net.LW\{2,1\}; %隐层到输出层权值

b1=net.b\{1,1\};   %输出隐层的阈值

b2=net.b\{2,1\};   %输出层的阈值

x=x(:); %输入变量个数赋值

xn=tramnmx(x, minP,maxP)   %输入变量的归一化

nntwarn off %解除警告

a1=tansig(netsum(w1\*xn(:),b1));   %输入层到隐层的输出

nntwarn off %解除警告

evaln=purelin(netsum(w2\*a1,b2));   %隐层到输出层的输出

eval =postmnmx(evaln,minT,maxT) % 反归一化

eval=-eval;               %把最大化转化成最小化3. 遗传算法主程序

%mygabp.m

%遗传算法工具箱 gaotv5

%注意 matlab工具箱函数必须放在工作目录下

% x1∈\[8.5,8.7\]，x2∈\[0.1,0.2\], x3∈\[3,4\]

LB=\[8.5 0.1 3\];

UB=\[8.7 0.2 4\];

bounds=\[LB ；UB\]'

initPop=initializega(popu, bounds,' wxffun '); %生成初始种群，大小为20

gen=100; %最大遗传代数

\[x,endPop,bPop,trace\]=ga(bounds,'wxffun',\[\],initPop,\[1e-6 1 1\],'maxGenTerm',100, ...

'normGeomSelect',\[0.08\],\['arithXover'\],\[2\],'nonUnifMutation',\[2 gen 3\])   %100次遗传迭代

figure(1)

plot(endPop(:, 1), endPop(:, 2),'y\*')

figure(2)

plot(trace(:, 1), trace(:, 2), 'r-', trace(:, 1), trace(:, 3), 'b-')

xlabel('Generation');

ylabel('Fittness');

legend(‘解的变化’,’种群平均值的变化’)

运行出错：

??? Error using ==> wxffun

Too many input arguments.

Error in ==> initializega at 41

eval(estr);

matlab 遗传算法参数优化,Matlab基于BP神经网络模型的遗传算法多参数优化程序

发表评论取消回复

还没有评论，来说两句吧...

相关阅读

相关遗传算法优化bp神经网络R语言代码

相关基于遗传算法优化的图像分割Matlab仿真

相关基于Matlab的遗传算法优化BP神经网络风电功率预测

相关基于Matlab的遗传算法优化BP回归预测

相关基于遗传算法优化的BP神经网络分类研究

相关基于遗传算法优化的BP神经网络

相关 matlab 遗传算法参数优化,Matlab基于BP神经网络模型的遗传算法多参数优化程序

相关 python遗传算法神经网络_使用Python优化神经网络参数的遗传算法

相关【优化求解】基于遗传算法的PID参数优化设计matlab代码

相关【优化求解】基于遗传算法的PID参数优化设计matlab代码