优化算法+机器学习+神经网络+遗传算法+matlab编程

对于未知的非线性函数，仅仅通过函数的输入和输出数据难以寻找函数极值，这一类问题可以通过神经网络结合遗传算法求解，利用神经网络的非线性拟合能力和遗传算法的非线性寻优能力寻找函数极值。神经网络训练拟合根据寻优函数的特点构建合适的BP神经网络，用非线性函数的输入输出数据训练BP神经网络，训练后的BP神经网络就可以预测函数输出。遗传算法极值寻优将训练后的BP神经网络预测结果作为个体适应度值，通过选择、交叉、变异操作寻找函数的全局最优值及对应输入值。 确定BP神经网络的模型结构为2-5-1，取函数的4000组输入输出数据，从中随机选择3500组数据训练神经网络，100组数据测试神经网络性能，网络训练好后用于预测非线性函数输出。 遗传算法中个体采用实数编码，由于寻优函数只有两个输入参数，所以个体长度为2。个体适应度值为BP神经网络预测值，适应度值越小，个体越优。设置交叉概率为0.4，变异概率为0.2。 神经网络训练拟合根据寻优函数的特点构建合适的BP神经网络，用非线性函数的输出数据训练BP网络，训练后的BP神经网络就可以预测函数输出。遗传算法极值寻优把训练后的BP神