基于遗传算法的BP神经网络优化算法.zip_遗传算法 _遗传算法 BP_遗传算法，bp

clc %% 不适用遗传算法 %% 使用随机权值和阈值 inputnum=size(P,1); % 输入层神经元个数 outputnum=size(T,1); % 输出层神经元个数 %% 新建BP网络 net=newff(minmax(P),[hiddennum,outputnum],{'tansig','logsig'},'trainlm'); %% 设置网络参数：训练次数为1000，训练目标为0.01，学习速率为0.1 net.trainParam.epochs=1000; net.trainParam.goal=0.01; LP.lr=0.1; %% 训练网络以 net=train(net,P,T); %% 测试网络 disp(['1、使用随机权值和阈值 ']) disp('测试样本预测结果：') Y1=sim(net,P_test) err1=norm(Y1-T_test); %测试样本的仿真误差 err11=norm(sim(net,P)-T); %训练样本的仿真误差 disp(['测试样本的仿真误差:',num2str(err1)]) disp(['训练样本的仿真误差:',num2str(err11)]) %% 使用遗传算法 %% 使用优化后的权值和阈值 inputnum=size(P,1); % 输入层神经元个数 outputnum=size(T,1); % 输出层神经元个数 %% 新建BP网络 net=newff(minmax(P),[hiddennum,outputnum],{'tansig','logsig'},'trainlm'); %% 设置网络参数：训练次数为1000，训练目标为0.01，学习速率为0.1 net.trainParam.epochs=1000; net.trainParam.goal=0.01; LP.lr=0.1; %% BP神经网络初始权值和阈值 w1num=inputnum*hiddennum; % 输入层到隐层的权值个数 w2num=outputnum*hiddennum;% 隐层到输出层的权值个数 w1=bestX(1:w1num); %初始输入层到隐层的权值 B1=bestX(w1num+1:w1num+hiddennum); %初始隐层阈值 w2=bestX(w1num+hiddennum+1:w1num+hiddennum+w2num); %初始隐层到输出层的阈值 B2=bestX(w1num+hiddennum+w2num+1:w1num+hiddennum+w2num+outputnum); %输出层阈值 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); %% 训练网络以 net=train(net,P,T); %% 测试网络 disp(['2、使用优化后的权值和阈值']) disp('测试样本预测结果：') Y2=sim(net,P_test) err2=norm(Y2-T_test); err21=norm(sim(net,P)-T); disp(['测试样本的仿真误差:',num2str(err2)]) disp(['训练样本的仿真误差:',num2str(err21)])