GABP算法matlab程序,gamma函数matlab,matlab

%%网络结构建立 %读取数据 load data input output %节点个数 inputnum = 2;%输入层神经元个数 hiddennum = 5;%隐藏层神经元个数 outputnum = 1;%输出层神经元个数 %训练数据和测试数据 input_train = input(1:9000,:)';%取前9000行为训练数据 input_test = input(9001:10000,:)';%取后1000行为测试数据 output_train = output(1:9000)'; output_test = output (9001:10000)'; %BP神经网络构建 net=newff(input_train, output_train, hiddennum) ; %%遗传算法参数初始化 maxgen=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 numsum=inputnum*hiddennum+hiddennum+hiddennum* outputnum+outputnum; lenchrom=ones(1,numsum);%染色体长度 bound=[-2*ones(numsum,1) 2*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,input_train,output_train); %染色体的适应度 end FitRecord=[]; %找最好的染色体 [bestfitness,bestindex]=min(individuals.fitness);%适应度最小的染色体为最好的染色体 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 i %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,input_train,output_train); 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 FitRecord=[FitRecord;individuals.fitness]; end % 遗传算法优化的BP神经网络函数拟合 % 把遗传算法得到的最优个体赋予BP神经网络，再进行神经网络训练。 %%把最优初始阀值权值赋了网络预测 % %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; %网络参数配置 net.trainParam.epochs=100; net.trainParam.lr=0.1; net.trainParam.goal=0.005 ; %BP神经网络训练 [net,per2]=train(net ,input_train,output_train); %BP神经网路预测输出 BPoutput=sim(net,input_test); error=BPoutput-output_test; %%%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'); %网络预测结果图形 figure(2) plot(BPoutput, 'og'); %保存训练网络 %save datatemp net %保存训练输出 %save GABPOUPUT BPoutput hold on; plot(output_test, '-*'); legend('预测输出','期望输出'); title( 'GA优化BP网络预测输出','fontsize',12) ylabel('函数输出','fontsize',12) xlabel('样本','fontsize',12) figure(3) plot(error,'-*'); title('GA优化BP神经网络预测误差','fontsize',12) ylabel('误差','fontsize',12) xlabel('样本','fontsize',12) MSE = mse(error)