基于遗传算法改进的RBF神经网络流量控制，基于GA-RBF的流量预测

目录

完整代码和数据下载链接：基于遗传算法改进的RBF神经网络流量控制，基于GA-RBF的流量预测（代码完整，数据齐全）资源-CSDN文库 https://download.csdn.net/download/abc991835105/88937452
RBF的详细原理
RBF的定义
RBF理论
易错及常见问题
RBF应用实例，基于遗传算法改进的RBF神经网络流量控制，基于GA-RBF的流量预测
代码
结果分析
展望

摘要

寻优算法，测试函数，粒子群算法，粒子群算法的原理，粒子群算法的主要参数，粒子群算法流程图,rbf原理，基于遗传算法改进的RBF神经网络流量控制，基于GA-RBF的流量预测

测试函数shubert（十）

shubert函数属于周期性多峰函数，如图1所示拥有多个全局最优值，如图二所示在一个周期内只有一个全局最优值，局部最优解较多，适合测试算法的收敛性能，粒子群算法是一种收敛速度较快的算法，运算速度快，本文用标准粒子群算法进行求解，如有疑问，欢迎大家留言交流！
函数图像如下


MATLAB编程shubert代码如下：

clc
clear
close all
x = -2:0.1:2;
y  = -2:0.1:2;
x = -10:0.1:10;
y  = -10:0.1:10;
[x,y] = meshgrid(x,y);
[m,n] = size(x);
z = zeros(m,n);
for ii = 1:m
    for jj = 1:n
        xx = [x(ii,jj) y(ii,jj)];
        z(ii,jj) = shubertfun(xx);
    end
end
figure
surf(x,y,z)
xlabel('x1')
ylabel('x2')
zlabel('z')
axis([-2 2 -2 2 -200 200])
% axis([-10 10 -10 10 -200 200])
% shading interp
title('Shubert Function')
set(gca,'fontsize',12)
colormap jet
function [ out] = shubertfun( x )
x1 = x(1);
x2 = x(2);
sum1 = 0;
sum2 = 0;

for ii = 1:5
	new1 = ii * cos((ii+1)*x1+ii);
	new2 = ii * cos((ii+1)*x2+ii);
	su