遗传算法改进BP神经网络风速预测，自定义归一化函数BP神经网络风速预测（代码完整，数据齐全）

%% 此程序为基于遗传算法优化的BP神经网络 % 清空环境变量 clear,close all clc %% 读取数据 load data.mat %% 数据归一化 [inputn,vmax1up,vmin1lp]=guiyihuafun(input',1,-1); [outputn,vmax2up,vmin2lp]=guiyihuafun(output',1,-1); input = inputn'; output = outputn'; %节点个数 inputnum=5; % hiddennum=input('请输入隐含层节点数：');%隐含层节点数量经验公式p=sqrt(m+n)+a ，故分别取2~13进行试验 hiddennum=11; outputnum=1; %% 设置训练数据和预测数据 % input_train=input(1:89,:)'; % input_test=input(90:177,:)'; % output_train=output(1:89)'; % output_test=output(90:177)'; inputn=input(1:89,:)'; input_test1=input(90:177,:)'; n = randperm(length(input_test1)); inputn_test = input_test1(:,n(1:20)); outputn=output(1:89)'; output_test1=output(90:177)'; output_test = output_test1(:,n(1:20)); %% 构建BP神经网络 % net=newff(inputn,outputn,hiddennum,{'tansig','purelin'},'trainlm','learngdm');% 建立模型，传递函数使用purelin，采用梯度下降法训练 net=newff(minmax(inputn),[11,1],{'tansig','purelin'},'trainlm'); %% 遗传算法求解最佳参数 maxgen=20; %进化代数，即迭代次数 sizepop=20; %种群规模 pcross=0.3; %交叉概率选择，0和1之间 pmutation=0.1; %变异概率选择，0和1之间 %节点总数：输入隐含层权值、隐含阈值、隐含输出层权值、输出阈值（4个基因组成一条染色体） numsum=inputnum*hiddennum+hiddennum+hiddennum*outputnum+outputnum;%21个，10,5,5,1 lenchrom=ones(1,numsum);%个体长度，暂时先理解为染色体长度，是1行numsum列的矩阵 bound=[-3*ones(numsum,1) 3*ones(numsum,1)]; %是numsum行2列的串联矩阵，第1列是-3，第2列是3 %------------------------------------------------------种群初始化-------------------------------------------------------- individuals=struct('fitness',zeros(1,sizepop), 'chrom',[]); %将种群信息定义为一个结构体：10个个体的适应度值，10条染色体编码信息 avgfitness=[]; %每一代种群的平均适应度,一维 bestfitness=[]; %每一代种群的最佳适应度 bestchrom=[]; %适应度最好的染色体，储存基因信息 %初始化种群 for i=1:sizepop %随机产生一个种群 individuals.chrom(i,:)=Code(lenchrom,bound); %编码（binary（二进制）和grey的编码结果为一个实数，float的编码结果为一个实数向量） x=individuals.chrom(i,:); %计算适应度 individuals.fitness(i)=fun(x,inputnum,hiddennum,outputnum,net,inputn,outputn); %染色体的适应度 end FitRecord=[]; %找最好的染色体 [bestfitness, bestindex]=max(individuals.fitness);%bestindex是最大值的索引（位置/某个个体），bestfitness的值为最大适应度值 bestchrom=individuals.chrom(bestindex,:); %最好的染色体，从10个个体中挑选到的 avgfitness=sum(individuals.fitness)/sizepop; %染色体的平均适应度(所有个体适应度和 / 个体数) % 记录每一代进化中最好的适应度和平均适应度 trace=[avgfitness bestfitness]; %trace矩阵，1行2列，avgfitness和bestfitness仅仅是数值 %%迭代求解最佳初始阀值和权值 figure(1) %绘制迭代图 title(['最佳适应度进化曲线' ]); xlabel('迭代次数');ylabel('最佳适应度'); hold on % 进化开始 for i=1:maxgen % 选择 individuals=Select(individuals,sizepop); % avgfitness=sum(individuals.fitness)/sizepop;%种群的平均适应度值 %交叉 individuals.chrom=Cross(pcross,lenchrom,individuals.chrom,sizepop); % 变异 individuals.chrom=Mutation(pmutation,lenchrom,individuals.chrom,sizepop,i,maxgen,bound); % 计算适应度 for j=1:sizepop x=individuals.chrom(j,:); %个体信息 individuals.fitness(j)=fun(x,inputnum,hiddennum,outputnum,net,inputn,outputn); %计算每个个体的适应度值 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]=max(individuals.fitness);%最佳适应度值 [worestfitness,worestindex]=min(individuals.fitness); % 最优个体更新 if bestfitness<newbestfitness bestfitness=newbestfitness; bestchrom=individuals.chrom(newbestindex,:); end individuals.chrom(worestindex,:)=bestchrom;%取代掉最差的，相当于淘汰 individuals.fitness(worestindex)=bestfitness; avgfitness=sum(individuals.fitness)/sizepop; plot(1:i,trace(1:i,2),'r*-') hold on pause(0.00001) trace=[trace;avgfitness bestfitness]; %记录每一代进化中最好的适应度和平均适应度 FitRecord=[FitRecord;individuals.fitness];%记录每一代进化中种群所有个体的适应度值 end %修饰图像 y_up=max(trace(:,2)); ylim([0 y_up+5]) %%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= net. iw{1, 1}%输入层到中间层的权值 % B1 = net.b{1}%中间各层神经元阈值 % % W2 = net.lw{2,1}%中间层到输出层的权值 % B2 = net. b{2}%输出层各神经元阈值 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.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}=reshape(B2,outputnum,1); %% 网络参数配置（ 训练次数，学习速率，训练目标最小误差，显示频率，动量因子，最小性能梯度，最高失败次数） net.trainParam.epochs=1000; % 训练次数，这里设置为1000次 net.trainParam.lr=0.9; % 学习速率，这里设置为0.01 net.trainParam.goal=0.00001; % 训练目标最小误差，这里设置为0.0001 net.trainParam.show=25; % 显示频率，这里设置为每训练25次显示一次 net.trainParam.mc=0.01; % 动量因子 net.trainParam.min_grad=1e-6; % 最小性能梯度 net.trainParam.max_fail=6; % 最高失败次数 %% BP神经网络训练 net=train(net,inputn,outputn);%开始训练，其中inputn,outputn分别为输入输出样本 %% BP神经网络预测 an=sim(net,inputn_test); %用训练好的模型进行仿真 %% 预测结果反归一化与误差计算 test_simu = fanguihihuafun( an,1,-1,vmax2up,vmin2lp ); output_test = fanguihihuafun( output_test,1,-1,vmax2up,vmin2lp); error=abs(test_simu-output_test); %预测值和期望值的误差 errorPercent=error./output_test; %预测值和期望值的误差 %% 网络预测图形 figure(2) plot(output_test,'bo-') hold on plot(test_simu,'r*-') legend('真实值','预测值') xlabel('预测样本') ylabel('风速') string = {'采用遗传算法优化的BP神经网络的风速预测结果';}; title(string) figure(3) plot(error,'ro-') xlabel('预测样本') ylabel('绝对误差') title('预测值和真实值的绝对误差比较') figure(4) plot(errorPercent,'k*-') title({'预测值和真实值的相对误差比较',['平均相对百分比误差 ( mape ) 为：',num2str(mean(abs(errorPercent))*100),' %']}) xlabel('预测样本') ylabel('相对误差') %误差分析 [c,l]=size(output_test); MAE1=sum(abs(error))/l; MSE1=error*error'/l; RMSE1=MSE1^(1/2); errorPmin=min(errorPercent); errorPmax=max(errorPercent); errorPav=sum(errorPercent)/l; %输出结果 disp(['-----------------------','误差结果','--------------------------']) disp(['隐含层节点数为',num2str(hiddennum),'时的误差结果如下：']) disp(['平均绝对误差MAE为：',num2str(MAE1)]) disp(['均方误差MSE为： ',num2str(MSE1)]) disp(['均方根误差RMSE为： ',num2str(RMSE1)]) disp(['最小相对误差为： ',num2str(errorPmin)]) disp(['最大相对误差为： ',num2str(errorPmax)]) disp(['平均相对误差为： ',num2str(errorPav)])