% 清空环境变量
clc
clear
close all
clear global var
load SOC.mat
num = [input output];
%% 网络结构建立
n = randperm(53314);
input_train=num(n(1:53000),1:3)';
output_train=num(n(1:53000),4)';
input_test=num(n(53001:end),1:3)';
output_test=num(n(53001:end),4)';
%节点个数
inputnum=3;
hiddennum=6;%此处修改中间层个数,这是第一处,总共两处
outputnum=1;
%选连样本输入输出数据归一化
[inputn,inputps]=mapminmax(input_train);
[outputn,outputps]=mapminmax(output_train);
%构建网络
%net=newff(inputn,outputn,hiddennum);
net=newff(minmax(inputn),[6,1],{'logsig','tansig'},'traingdx');
%% 遗传算法参数初始化
maxd=50; %进化代数,即迭代次数
sizepop=20; %种群规模
pcross=[0.6]; %交叉概率选择,0和1之间
pmutation=[0.2]; %变异概率选择,0和1之间
%节点总数
nums=inputnum*hiddennum+hiddennum+hiddennum*outputnum+outputnum;
lenchrom=round(rand(1,nums));
bound=[-1*ones(nums,1) 1*ones(nums,1)]; %数据范围
%------------------------------------------------------种群初始化--------------------------------------------------------
individ=struct('fitness',zeros(1,sizepop), 'chrom',[]); %将种群信息定义为一个结构体
avgfits=[]; %每一代种群的平均适应度
bestfits=[]; %每一代种群的最佳适应度
bestc=[]; %适应度最好的染色体
%初始化种群
for ii=1:sizepop
%随机产生一个种群
individ.chrom(ii,:)=Code(lenchrom,bound); %编码
x=individ.chrom(ii,:);
%计算适应度
individ.fitness(ii)=fun(x,inputnum,hiddennum,outputnum,net,inputn,outputn); %染色体的适应度
end
%找最好的染色体
[bestfits bestindex]=min(individ.fitness);
bestc=individ.chrom(bestindex,:); %最好的染色体
avgfits=sum(individ.fitness)/sizepop; %染色体的平均适应度
% 记录每一代进化中最好的适应度和平均适应度
trace=[avgfits bestfits];
bestf = zeros(1,maxd);
%% 迭代求解最佳初始阀值和权值
% 进化开始
for ii=1:maxd
ii
% 选择
individ=Select(individ,sizepop);
avgfits=sum(individ.fitness)/sizepop;
%交叉
individ.chrom=Cross(pcross,lenchrom,individ.chrom,sizepop,bound);
% 变异
individ.chrom=Mutation(pmutation,lenchrom,individ.chrom,sizepop,ii,maxd,bound);
% 计算适应度
for j=1:sizepop
x=individ.chrom(j,:); %解码
individ.fitness(j)=fun(x,inputnum,hiddennum,outputnum,net,inputn,outputn);
end
%找到最小和最大适应度的染色体及它们在种群中的位置
[newbestfitness,newbestindex]=min(individ.fitness);
[worestfitness,worestindex]=max(individ.fitness);
% 代替上一次进化中最好的染色体
if bestfits>newbestfitness
bestfits=newbestfitness;
bestc=individ.chrom(newbestindex,:);
bestf(ii) = newbestfitness;
else
bestf(ii) = bestfits;
end
individ.chrom(worestindex,:)=bestc;
individ.fitness(worestindex)=bestfits;
avgfits=sum(individ.fitness)/sizepop;
trace=[trace;avgfits bestfits]; %记录每一代进化中最好的适应度和平均适应度
end
%% 遗传算法结果分析
figure(1)
[r c]=size(trace);
plot([1:r]',trace(:,2),'b--');
hold on
%plot(bestchrom)
plot(bestf)
hold off
title(['适应度曲线 ' '终止代数=' num2str(maxd)]);
xlabel('进化代数');ylabel('适应度');
legend('平均适应度','最佳适应度');
disp('适应度 变量');
x=bestc;
[BPoutput1,net] =bppb(num,n);
%% 把最优初始阀值权值赋予网络预测
% %用遗传算法优化的BP网络进行值预测
w1=x(1:inputnum*hiddennum);
B1=x(inputnum*hiddennum+1:inputnum*hiddennum+hiddennum);
w2=x(inputnum*hiddennum+hiddennum+1:inputnum*hiddennum+hiddennum+hiddennum*outputnum);
B2=x(inputnum*hiddennum+hiddennum+hiddennum*outputnum+1:inputnum*hiddennum+hiddennum+hiddennum*outputnum+outputnum);
net=newff(minmax(inputn),[6,1],{'logsig','tansig'},'trainlm');
net.iw{1,1}=reshape(w1,hiddennum,inputnum);
net.lw{2,1}=reshape(w2,outputnum,hiddennum);
net.b{1}=reshape(B1,hiddennum,1);
net.b{2}=B2;
error1b=sum(abs(output_test-BPoutput1))./55
errorb=((output_test-BPoutput1))
obb = sum(abs((output_test-BPoutput1)./BPoutput1))/55
MSEb= mse(output_test-BPoutput1)%j均方差
%% BP网络训练
%网络进化参数
net.trainParam.epochs=1000;
net.trainParam.lr=0.2;
net.trainParam.goal=0.01;
%net.trainParam.goal=0.00001;
%网络训练
[net,per2]=train(net,inputn,outputn);
%% BP网络预测
%数据反归一化
inputn_test=mapminmax('apply',input_test,inputps);
an=sim(net,inputn_test);
% an1=sim(net,inputn);
test_simu=mapminmax('reverse',an,outputps);
% test_simu1=(mapminmax('reverse',an1,outputps));
error=(test_simu-output_test);
ob = (test_simu-output_test)./test_simu;
errorbga=sum(abs(test_simu-output_test))./55;
% error1=test_simu1-output_train;%训练误差
error=test_simu-output_test;%测试误差
figure (2)
plot(output_test,'-r*')
hold on
plot(test_simu,'-bo')
hold on
plot(BPoutput1,'-k^')
hold off
title('预测值和真实值比对')
legend('期望输出','遗传算法优化BP','BP')
figure(3)
plot(error,'r--o')
hold on
plot(-errorb,'-k^')
title('遗传算法优化BP网络预测误差','fontsize',12)
ylabel('误差','fontsize',12)
xlabel('样本','fontsize',12)
legend('遗传算法优化BP','BP')
figure(5)
plot(ob,'b-o');
hold on
plot(-obb,'k--')
hold off
legend('遗传算法优化BP','BP')
title('遗传算法优化BP神经网络预测误差百分比')
figure (6)
plot(output_test,'-r*')
hold on
plot(test_simu,'-bo')
hold off
title('预测值和真实值比对')
legend('期望输出','遗传算法优化BP')
% figure (7)
% plot(output_train,'-r*')
% hold on
% plot(test_simu1,'-bo')
% hold off
% title('预测值和真实值比对')
% legend('训练期望输出','遗传算法优化BP')
- 1
- 2
前往页