MATLAB源代码，GA优化BP，进行预测

% gap.xls中存储训练样本的原始输入数据 37组 % gat.xls中存储训练样本的原始输出数据 37组 % p_test.xls中存储测试样本的原始输入数据 12组 % t_test.xls中存储测试样本的原始输出数据 12组 % 其中gabpEval.m适应度值计算函数，gadecod.m解码函数 %-------------------------------------------------------------------------- nntwarn off;% nntwarn函数可以临时关闭神经网络工具箱的警告功能，当代码使用到神经 % 网络工具箱的函数时会产生大量的警告 而这个函数可以跳过这些警告 但 % 是，为了保证代码可以在新版本的工具箱下运行，我们不鼓励这么做 pc=xlsread('gap.xls'); tc=xlsread('gat.xls'); p_test=xlsread('p_test.xls'); t_test=xlsread('t_test.xls'); p=pc'; t=tc'; p_test=p_test'; t_test=t_test'; % 归一化处理 for i=1:2 P(i,:)=(p(i,:)-min(p(i,:)))/(max(p(i,:))-min(p(i,:))); end for i=1:4 T(i,:)=(t(i,:)-min(t(i,:)))/(max(t(i,:))-min(t(i,:))); end for i=1:2 P_test(i,:)=(p_test(i,:)-min(p_test(i,:)))/(max(p_test(i,:))-min(p_test(i,:))); end %-------------------------------------------------------------------------- % 创建BP神经网络，隐含层节点数为12 net=newff(minmax(P),[12,4],{'tansig','purelin'},'trainlm'); %-------------------------------------------------------------------------- % 下面使用遗传算法对网络进行优化 R=size(P,1);% BP神经网络输入层节点数 S2=size(T,1);% BP神经网络输出层节点数 S1=12;% 隐含层节点数 S=R*S1+S1*S2+S1+S2;% 遗传算法编码长度 aa=ones(S,1)*[-1,1]; popu=100;% 种群规模 initPop=initializega(popu,aa,'gabpEval');% 初始化种群 gen=500;% 遗传代数 % 下面调用gaot工具箱，其中目标函数定义为gabpEval [x,endPop,bPop,trace]=ga(aa,'gabpEval',[],initPop,[1e-6 1 1],'maxGenTerm',... gen,'normGeomSelect',[0.09],['arithXover'],[2],'nonUnifMutation',[2 gen 3]); %-------------------------------------------------------------------------- % 绘收敛曲线图 figure; plot(trace(:,1),1./trace(:,3),'r-'); hold on; plot(trace(:,1),1./trace(:,2),'b-'); xlabel('遗传代数'); ylabel('平方和误差'); figure; plot(trace(:,1),trace(:,3),'r-'); hold on; plot(trace(:,1),trace(:,2),'b-'); xlabel('遗传代数'); ylabel('适应度');legend('平均适应度值','最优适应度值'); %-------------------------------------------------------------------------- % 下面将初步得到的权值矩阵赋给尚未开始训练的BP网络 [W1,B1,W2,B2,P,T,A1,A2,SE,val]=gadecod(x); net.IW{1,1}=W1; net.LW{2,1}=W2; net.b{1}=B1; net.b{2}=B2; % 设置训练参数 net.trainParam.epochs=3000; net.trainParam.goal=1e-6; % 训练网络 net=train(net,P,T); w1=net.IW{1,1}; w2=net.LW{2,1}; b1=net.b{1}; b2=net.b{2}; % 测试网络性能 temp=sim(net,P_test); yuce1=[temp(1,:);temp(2,:),;temp(3,:);temp(4,:)]; for i=1:4 yuce(i,:)=yuce1(i,:)*(max(t_test(i,:))-min(t_test(i,:)))+min(t_test(i,:)); end %-------------------------------------------------------------------------- % 测试输出结果之一 figure; plot(1:12,yuce(1,:),'bo-'); ylabel('切口外径 mm'); hold on; plot(1:12,t_test(1,:),'r*-'); legend('测试结果','测试样本'); figure; plot(1:12,yuce(1,:)-t_test(1,:),'b-'); ylabel('误差 mm'); title('测试结果与测试样本误差'); figure; plot(1:12,((yuce(1,:)-t_test(1,:))/t_test(1,:))*100,'b*'); ylabel('百分比'); title('测试结果与测试样本误差'); % 测试输出结果之二 figure; plot(1:12,yuce(2,:),'bo-'); ylabel('切口内径 mm'); hold on; plot(1:12,t_test(2,:),'r*-'); legend('测试结果','测试样本'); figure; plot(1:12,yuce(2,:)-t_test(2,:),'b-'); ylabel('误差 mm'); title('测试结果与测试样本误差'); figure; plot(1:12,((yuce(2,:)-t_test(2,:))/t_test(2,:))*100,'b*'); ylabel('百分比'); title('测试结果与测试样本误差'); % 测试输出结果之三 figure; plot(1:12,yuce(3,:),'bo-'); ylabel('最大滚切力 N'); hold on; plot(1:12,t_test(3,:),'r*-'); legend('测试结果','测试样本'); figure; plot(1:12,yuce(3,:)-t_test(3,:),'b-'); ylabel('误差 N'); title('测试结果与测试样本误差'); figure; plot(1:12,((yuce(3,:)-t_test(3,:))/t_test(3,:))*100,'b*'); ylabel('百分比'); title('测试结果与测试样本误差'); % 测试输出结果之四 figure; plot(1:12,yuce(4,:),'bo-'); ylabel('切断时间 s'); hold on; plot(1:12,t_test(4,:),'r*-'); legend('测试结果','测试样本'); figure; plot(1:12,yuce(4,:)-t_test(4,:),'b-'); ylabel('误差 s'); title('测试结果与测试样本误差'); figure; plot(1:12,((yuce(4,:)-t_test(4,:))/t_test(4,:))*100,'b*'); ylabel('百分比'); title('测试结果与测试样本误差'); %--------------------------------------------------------------------------