高教社杯数模竞赛特辑论文篇-2013年A题：车道被占用对城市道路通行能力的影响（代码实现）

% 问题3 解法二 clc; close all; clear; load('problem3.mat'); %% 计算排队长度 M =2;L = 0.120;N0 = 12; kj = 160;km = 59; shangyous(1) = shangyou(1); xiayous(1) = xiayou(1); %计算累计数 for i = 2:size(shangyou,1) shangyous(i) = sum(shangyou(1:i,1)); xiayous(i) = sum(xiayou(1:i,1)); end for i = 2:size(shangyou,1) D(i) = 1000*(N0+shangyous(i)-xiayous(i)-km*L*M)/(M*(kj-km)); if N0+shangyous(i)-xiayous(i)>= kj*L*M D(i) = 120; else if N0+shangyous(i)-xiayous(i)<= km*L*M D(i) = 0; end end end %% 将时间单独作为一个输入，通行能力和上游车流结合为一个输入（通行能力是成本型） B = [max(shangyou),min(xiayou)]; W = [min(shangyou),max(xiayou)]; %相对偏差 r(:,1) = abs(shangyou-B(1))./(max(shangyou)-min(shangyou)); r(:,2) = abs(B(2)-xiayou)./(max(xiayou)-min(xiayou)); del(:,1) = abs(shangyou-W(1))./(max(shangyou)-min(shangyou)); del(:,2) = abs(W(2)-xiayou)./(max(xiayou)-min(xiayou)); for i = 1:2 c(i) = (r(:,i)'*del(:,i))./(norm(r(:,i))*norm(del(:,i))); end %权重 w(1) = c(1)/sum(c); w(2) = c(2)/sum(c); %无量纲化后加权求和 P(:,1) = (shangyou-min(shangyou))./(max(shangyou)-min(shangyou)); P(:,2) = (max(xiayou)-xiayou)./(max(xiayou)-min(xiayou)); score = P*w'; %% 网络结构建立 %读取数据 p=[score(5:81)';time(5:81)']; %输入数据矩阵 t=length(5:81)'; %目标数据矩阵 %节点个数 inputnum=2; hiddennum=5; outputnum=1; %训练数据和预测数据 % input_train=input(1:1900,:)'; % input_test=input(1901:2000,:)'; % output_train=output(1:1900)'; % output_test=output(1901:2000)'; %选连样本输入输出数据归一化 [inputn,PS1]=mapminmax(p); [outputn,PS2]=mapminmax(t); %构建网络 net=newff(inputn,outputn,hiddennum); %% 遗传算法参数初始化 maxgen=10; %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 numsum=inputnum*hiddennum+hiddennum+hiddennum*outputnum+outputnum; lenchrom=ones(1,numsum); bound=[-3*ones(numsum,1) 3*ones(numsum,1)]; %数据范围 %------------------------------------------------------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 avgfitness=[]; %每一代种群的平均适应度 bestfitness=[]; %每一代种群的最佳适应度 bestchrom=[]; %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 individuals.chrom(i,:)=Code(lenchrom,bound); %编码（binary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 %找最好的染色体 [bestfitness bestindex]=min(individuals.fitness); bestchrom=individuals.chrom(bestindex,:); %最好的染色体 avgfitness=sum(individuals.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=[avgfitness bestfitness]; %% 迭代求解最佳初始阀值和权值 % 进化开始 for i=1:maxgen % 选择 individuals=Select(individuals,sizepop); avgfitness=sum(individuals.fitness)/sizepop; %交叉 individuals.chrom=Cross(pcross,lenchrom,individuals.chrom,sizepop,bound); % 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,:); %解码 individuals.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(individuals.fitness); [worestfitness,worestindex]=max(individuals.fitness); % 代替上一次进化中最好的染色体 if bestfitness>newbestfitness bestfitness=newbestfitness; bestchrom=individuals.chrom(newbestindex,:); end individuals.chrom(worestindex,:)=bestchrom; individuals.fitness(worestindex)=bestfitness; avgfitness=sum(individuals.fitness)/sizepop; trace=[trace;avgfitness bestfitness]; %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--'); title(['适应度曲线 ' '终止代数＝' num2str(maxgen)]); 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=bestchrom; %% 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; %% BP网络训练 %网络进化参数 net.trainParam.epochs=100; net.trainParam.lr=0.1; %net.trainParam.goal=0.00001; %网络训练 [net,per2]=train(net,inputn,outputn); %% BP网络预测 [m1,m2] = meshgrid(linspace(0.25,0.86,1040),0:1:1039); test = [reshape(m1,1,size(m1,1)*size(m1,2));reshape(m2,1,size(m2,1)*size(m2,2))]; pn1 = mapminmax('apply',test,PS1); an=sim(net,pn1); %用训练好的模型进行仿真 a=mapminmax('reverse',an,PS2); % 把仿真得到的数据还原为原始的数量级； a = reshape(a,size(m1,1),size(m1,2)); a(find(a<0)) = 0; figure; mesh(m1,m2,a); grid on; xlabel('得分');ylabel('持续时间'):zlabel('排队长度');