基于GA-BP神经网络回归预测的Python代码实现

在数据分析和预测领域，回归预测是一个重要的研究方向。传统的回归方法如线性回归、多项式回归等在处理复杂的非线性问题时往往效果不佳。为了克服这一局限，本文将介绍一种基于遗传算法（Genetic Algorithm, GA）优化BP神经网络（Back Propagation Neural Network, BPNN）的回归预测方法，即GA-BP神经网络回归预测算法。该方法结合了遗传算法的全局搜索能力和BP神经网络的非线性拟合能力，能够有效处理复杂的非线性回归预测问题。

一、GA-BP算法概述

1.遗传算法（GA）

遗传算法是一种模拟生物进化过程的优化算法，通过模拟自然选择、交叉和变异等操作，逐步优化解空间中的解。其主要步骤包括种群初始化、选择、交叉、变异和适应度评价。遗传算法具有全局搜索能力强、不易陷入局部最优解等优点。

2.BP神经网络（BPNN）

BP神经网络是一种常见的人工神经网络模型，由输入层、隐藏层和输出层构成。通过前向传播和反向传播算法不断调整网络参数，以最小化损失函数，实现模型的训练和预测。BP神经网络具有较强的非线性拟合能力，适用于各种回归预测问题。

3.GA-BP算法

GA-BP算法将遗传算法和BP神经网络相结合，通过遗传算法优化BP神经网络的权重和偏置参数，以提高BP神经网络的训练效率和预测性能。算法的主要步骤如下：

初始化种群：随机生成一定数量的个体，每个个体代表一个BP神经网络的参数组合。

适应度评价：根据BP神经网络在训练集上的预测误差，计算每个个体的适应度。

选择操作：根据适应度大小，选择优秀的个体作为父代。

交叉和变异：对父代进行交叉和变异操作，生成新的子代。

更新种群：根据新的子代替换原有种群。

反向传播训练：使用更新后的个体参数训练BP神经网络模型。

重复迭代：重复以上步骤，直到达到停止条件（如达到最大迭代次数）。

二、代码部分

import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
import torch
import torch.nn as nn
from sklearn.preprocessing import MinMaxScaler
from sklearn.metrics import mean_squared_error, r2_score, mean_absolute_error
import random
import torch.optim as optim
import matplotlib
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
matplotlib.rcParams['font.sans-serif'] = ['SimHei']
matplotlib.rcParams['axes.unicode_minus'] = False

# 导入数据
data = pd.read_csv('数据集.csv').values

# 划分训练集和测试集
np.random.seed(0)
temp = np.random.permutation(len(data))

P_train = data[temp[:80], :7]
T_train = data[temp[:80], 7]
P_test = data[temp[80:], :7]
T_test = data[temp[80:], 7]

# 数据归一化
scaler_input = MinMaxScaler(feature_range=(0, 1))
scaler_output = MinMaxScaler(feature_range=(0, 1))

p_train = scaler_input.fit_transform(P_train)
p_test = scaler_input.transform(P_test)

t_train = scaler_output.fit_transform(T_train.reshape(-1, 1)).ravel()
t_test = scaler_output.transform(T_test.reshape(-1, 1)).ravel()

# 转换为 PyTorch 张量
p_train = torch.tensor(p_train, dtype=torch.float32).to(device)
t_train = torch.tensor(t_train, dtype=torch.float32).view(-1, 1).to(device)
p_test = torch.tensor(p_test, dtype=torch.float32).to(device)
t_test = torch.tensor(t_test, dtype=torch.float32).view(-1, 1).to(device)

# 定义神经网络
class NeuralNet(nn.Module):
    def __init__(self, input_size, hidden_size, output_size):
        super(NeuralNet, self).__init__()
        self.fc1 = nn.Linear(input_size, hidden_size)
        self.relu = nn.ReLU()
        self.fc2 = nn.Linear(hidden_size, output_size)

    def forward(self, x):
        out = self.fc1(x)
        out = self.relu(out)
        out = self.fc2(out)
        return out

model = NeuralNet(7, 14, 1).to(device)
criterion = nn.MSELoss()

# 遗传算法相关参数
population_size = 50
generations = 100
mutation_rate = 0.01
crossover_rate = 0.7

三、实验与结果

1.数据准备

为了验证GA-BP算法的有效性，我们选择了某领域的一组数据集进行实验。数据集包括多个输入特征和对应的目标输出，用于训练和测试模型。这是本次实验的数据集。

2.模型构建与训练

构建BP神经网络：设置输入层、隐藏层和输出层的节点数，初始化权重和偏置。

遗传算法优化：按照上述GA-BP算法的步骤，对BP神经网络的参数进行优化。

模型训练：使用优化后的参数训练BP神经网络模型。

3.结果分析

实验结果表明，GA-BP算法相比传统的BP神经网络在回归预测问题上具有更高的预测准确度。通过遗传算法的优化，BP神经网络能够避免陷入局部最优解，提高模型的鲁棒性和稳定性。同时，GA-BP算法在处理大规模数据集和复杂非线性问题时表现出色，具有较强的泛化能力。

（1）适应度结果

 

（2） 训练集预测结果对比图

 

（3）  测试集预测结果对比图

 

（4） 训练集线性回归图

 

（5） 测试集线性回归图 

 

（6）其他性能的计算

 

四、结论

本文介绍了基于遗传算法优化BP神经网络的回归预测算法（GA-BP算法），并通过实验验证了其有效性。GA-BP算法结合了遗传算法的全局搜索能力和BP神经网络的非线性拟合能力，能够显著提高回归预测模型的性能和泛化能力。该算法在金融、医疗、工业生产等领域具有广泛的应用前景，可用于股票价格预测、疾病诊断、生产过程优化等多种场景。