遗传算法优化BP神经网络时间序列回归分析，ga-bp回归分析（代码完整，数据齐全）

% 清空环境变量 clc clear close all clear global var %% 网络结构建立 %读取数据 [num,ax,ay ]= xlsread('数据模板.xlsx'); [num1,ax1,ay1 ]= xlsread('数据模板.xlsx',2); num = num'; num1 = num1'; n = randperm(length(num)); nn=n; m=20; input_train = num(n(1:m),:)';%选择训练数据 output_train = num1(n(1:m),:)'; input_test = num(n(m+1:end),:)';%选择测试数据 output_test = num1(n(m+1:end),:)'; %节点个数 inputnum=3; hiddennum=10; 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),[10,1],{'logsig','tansig'},'traingdx'); [test_simub,errorb,obb,net] = bppb(num,num1,nn); %% 遗传算法参数初始化 maxd=50; %进化代数，即迭代次数 sizepop=10; %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 nums=inputnum*hiddennum+hiddennum+hiddennum*outputnum+outputnum; lenchrom=round(rand(1,nums)); gbests = [reshape(net.IW{1,1},1,30) reshape(net.LW{2,1},1,10) reshape(net.b{1},1,10) reshape(net.b{2},1,1)] ; % particles are initialized between (a,b) randomly a=abs(gbests)*0.5+gbests; b=-abs(gbests)*0.5+gbests; 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 i=1:sizepop %随机产生一个种群 individ.chrom(i,:)=Code(lenchrom,bound); %编码 x=individ.chrom(i,:); %计算适应度 individ.fitness(i)=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 i=1:maxd i % 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,i,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(i) = newbestfitness; else bestf(i) = 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 [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; %% 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.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'; net=newff(minmax(inputn),[20,3],{'logsig','tansig'},'traingdx'); %% BP网络训练 %网络进化参数 net.trainParam.epochs=2000; net.trainParam.lr=0.01; net.trainParam.goal=0.0001; %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); test_simu=mapminmax('reverse',an,outputps); error=(test_simu-output_test); ob = (test_simu-output_test)./output_test; % [test_simub,errorb,obb] = bppb(num,score,nn); figure plot(output_test(1,:),'r-*') hold on plot(test_simu(1,:),'b-o') hold on plot(test_simub(1,:),'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') xlabel('样本') ylabel('主成分1') figure plot(output_test(2,:),'r-*') hold on plot(test_simu(2,:),'b-o') hold on plot(test_simub(2,:),'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') xlabel('样本') ylabel('主成分2') figure plot(output_test(3,:),'r-*') hold on plot(test_simu(3,:),'b-o') hold on plot(test_simub(3,:),'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') xlabel('样本') ylabel('主成分3') figure plot(error(1,:),'b-') hold on plot(errorb(1,:),'k--') hold off ylabel('主成分1误差','fontsize',12) xlabel('样本','fontsize',12) legend('遗传算法优化BP','BP') figure plot(error(2,:),'b-') hold on plot(errorb(2,:),'k--') hold off ylabel('主成分2误差','fontsize',12) xlabel('样本','fontsize',12) legend('遗传算法优化BP','BP') figure plot(error(3,:),'b-') hold on plot(errorb(3,:),'k--') hold off ylabel('主成分3误差','fontsize',12) xlabel('样本','fontsize',12) legend('遗传算法优化BP','BP') figure plot(ob(1,:),'b-'); hold on plot(obb(1,:),'k--') hold off legend('遗传算法优化BP','BP') ylabel('主成分1预测误差百分比') figure plot(ob(2,:),'b-'); hold on plot(obb(2,:),'k--') hold off legend('遗传算法优化BP','BP') ylabel('主成分2预测误差百分比') figure plot(ob(3,:),'b-'); hold on plot(obb(3,:),'k--') hold off legend('遗传算法优化BP','BP') ylabel('主成分3预测误差百分比')