遗传算法优化BP神经网络-非线性函数拟合

% 清空环境变量
 clc
 clear
 % 
 %% 网络结构建立
 %读取数据
 load data input output%节点个数
 inputnum=2;
 hiddennum=5;
 outputnum=1;%训练数据和预测数据
 input_train=input(1:1900,:)';
 input_test=input(1901:2000,:)';
 output_train=output(1:1900)';
 output_test=output(1901:2000)';%选连样本输入输出数据归一化
 [inputn,inputps]=mapminmax(input_train);
 [outputn,outputps]=mapminmax(output_train);%构建网络
 net=newff(inputn,outputn,hiddennum);%% 遗传算法参数初始化
 maxgen=10;                         %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);        
 bound=[-3*ones(numsum,1) 3*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,inputn,outputn);   %染色体的适应度
 end%找最好的染色体
 [bestfitness bestindex]=min(individuals.fitness);
 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,inputn,outputn);   
     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end
 %% 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');
 x=bestchrom;%% 把最优初始阀值权值赋予网络预测
 % %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;%% BP网络训练
 %网络进化参数
 net.trainParam.epochs=100;
 net.trainParam.lr=0.1;
 %net.trainParam.goal=0.00001;%网络训练
 [net,per2]=train(net,inputn,outputn);%% BP网络预测
 %数据归一化
 inputn_test=mapminmax('apply',input_test,inputps);
 an=sim(net,inputn_test);
 test_simu=mapminmax('reverse',an,outputps);
 error=test_simu-output_test;