matlab神经网络和优化算法：36 免疫算法在故障检测中的应用.zip

%% 学习目标：免疫算法在故障检测中的应用 clear all; clc global popsize length min max N code; N=10; % 每个染色体段数（十进制编码位数） M=100; % 进化代数 popsize=20; %设置初始参数，群体大小 length=10; % length为每段基因的二进制编码位数 chromlength=N*length; %字符串长度（个体长度），染色体的二进制编码长度 pc=0.7; %设置交叉概率，本例中交叉概率是定值，若想设置变化的交叉概率可用表达式表示，或从写一个交叉概率函数，例如用神经网络训练得到的值作为交叉概率 pm=0.3; %设置变异概率，同理也可设置为变化的 bound={-100*ones(popsize,1),zeros(popsize,1)};min=bound{1};max=bound{2}; pop=initpop(popsize,chromlength); %运行初始化函数，随机产生初始群体 ymax=500; K=1; %故障类型编码，每一行为一种！code(1,:)，正常；code(2,:)，50％；code(3,:)，100％ code =[-0.8180 -1.6201 -14.8590 -17.9706 -24.0737 -33.4498 -43.3949 -53.3849 -63.3451 -73.0295 -79.6806 -74.3230 -0.7791 -1.2697 -14.8682 -26.2274 -30.2779 -39.4852 -49.4172 -59.4058 -69.3676 -79.0657 -85.8789 -81.0905 -0.8571 -1.9871 -13.4385 -13.8463 -20.4918 -29.9230 -39.8724 -49.8629 -59.8215 -69.4926 -75.9868 -70.6706]; %设置故障数据编码 Unnoralcode=[-0.5164 -5.6743 -11.8376 -12.6813 -20.5298 -39.9828 -43.9340 -49.9246 -69.8820 -79.5433 -65.9248 -8.9759]; for i=1:3 % 3种故障模式，每种模式应该产生 popsize 种监测器（抗体），每种监测器的长度和故障编码的长度相同 for k=1:M %判断每种模式适应值 [objvalue]=calobjvalue(pop,i); %计算目标函数 fitvalue=calfitvalue(objvalue); favg(k)=sum(fitvalue)/popsize; %计算群体中每个个体的适应度 newpop=selection(pop,fitvalue); objvalue=calobjvalue(newpop,i); %选择 newpop=crossover(newpop,pc,k); objvalue=calobjvalue(newpop,i); %交叉 newpop=mutation(newpop,pm); objvalue=calobjvalue(newpop,i); %变异 for j=1:N %译码！ temp(:,j)=decodechrom(newpop,1+(j-1)*length,length); %将newpop每行(个体）每列（每段基因）转化成十进制数 x(:,j)=temp(:,j)/(2^length-1)*(max(j)-min(j))+min(j); % popsize×N 将二值域中的数转化为变量域的数 end [bestindividual,bestfit]=best(newpop,fitvalue); %求出群体中适应值最大的个体及其适应值 if bestfit<ymax ymax=bestfit; K=k; end % y(k)=bestfit; if ymax<10 % 如果最大值小于设定阀值，停止进化 X{i}=x; break end if k==1 fitvalue_for=fitvalue; x_for=x; end result=resultselect(fitvalue_for,fitvalue,x_for,x); fitvalue_for=fitvalue; x_for=x; pop=newpop; end X{i}=result; % 第i类故障的popsize个监测器 distance=0; % 计算 Unnoralcode 属于每一类故障的概率 for j=1:N distance=distance+(result(:,j)-Unnoralcode(j)).^2; % 将得N个不同的距离 end distance=sqrt(distance); D=0; for p=1:popsize if distance(p)<40 % 预设阀值 D=D+1; end end P(i)=D/popsize; %Unnoralcode隶属每种故障类型的概率 end P % 结果为(i*popsie)个监测器（抗体） plot(1:M,favg) title('个体适应度变化趋势') xlabel('迭代数') ylabel('个体的适应度') %% 大仙QQ：1960009019 %% 在线教育微信公众号：大仙一品堂