【神经网络学习笔记】遗传算法优化BP神经网络-非线性函数拟合

我们知道，在建立神经网络的时候，需要给各个节点和连接赋予阈值和权值，但一般我们都是随机赋予，然后让系统在一次次的训练中需找到最小值。这种方法很有一种碰运气的成分在里面，而用遗传算法来优化BP神经网络则可以让神经网络从一个较接近的水准开始训练。

所谓用遗传算法优化，优化的是神经网络训练前各节点的初始值，这些初始值不再取随机值，而是用我们通过遗传算法得到的值来代替。

我们把每个物种赋予一个DNA序列，这个序列包含着各个阈值和权值，假设我们的网络是一个2-5-1的网络，那么DNA的长度就可以是2*5+5+5*1+1 = 21，每位表示一个阈值或权值。

再设定好这个种群的大小，即有多少个个体，然后就可以开始进化这个物种啦。

进化过程不短重复这几步

1.计算个体的适应度，即代入它的基因（阈值权值）计算所得到的与期望值的差值。

2.记录适应度最好即差值最小的个体。

3.轮盘法选择个体，适应度好的更容易被选到。

4.把选择出来的个体进行交叉和变异，相当于生物的有性繁殖和基因突变。

到了设定的遗传代数之后，得到的最优个体基因就比较接近最终的阈值权值啦，我们用这个个体的基因来初始化BP神经网络，再进行训练和预测，可以得到更好的效果。

下面是主函数的代码，其中的子函数请下载资源。

%% 该代码为基于遗传算法神经网络的预测代码
% 清空环境变量
clc
clea