又经过几个月的学习
在之前发布的文章中可以改进一下
之前没有对收集的数据划分训练集和测试集
在BP神经网络算法模块中
训练时将所有输入数据和输出数据当成了训练集
因此,才在BP神经网络梯度训练设置了for循环
for循环很大程度上提高了网络中的训练集的性能
并存储了每次循环训练的误差和仿真预测结果
在for循环结束后
才根据最小误差索引到对应的仿真预测数据
☆☆☆
按道理来说神经网络应该自行划分了比例
所以,之前的模型应该是
将所有输入、输出数据当成了训练集来训练
然后网络又默认选取了35%比例的数据来验证
(显然没有意义了)
训练效果也挺好
经查阅资料
该模型是一种短时间内的时间序列预测模型
意思就是仅仅只是在数据拟合方面做得很好
在长时间上
数据的预测是没有依据性的
因为神经网络学习数据特征训练时
会忘记先前学习的特征
所以每次训练完预测的结果相差会很大
下面将按一定比例随机划分数据
以及仿真预测后
将训练出的数据和仿真预测的数据
运用索引的操作矩阵重组
从而与真实数据作一比较
↓↓↓↓↓
clear;
clc;
close all;
%% 实验数据导入及整理
data1=[1.87,2.07,2.25,2.4,2.5,2.64,2.7,2.9,3.1,3.25,3.4,3.72,3.95];%2009年~2021年的机动车数量/(亿辆)
data2=[41.19,42.05,45.33,47.49,50.96,52.88,56.18,60.86,65.12,67.34,69.33,70.44,70.94];%2009年~2021年的公共汽电车数量/(万辆)
data3=[25460,32237,35884,38243,41738,45052,48905,52789,56786,60590,65730,70643,75770];%2009年~2021年的公共汽电车线路数/(条)
data4=[28.92,63.37,67.29,71.46,74.89,81.78,89.43,98.12,106.9,119.9,133.6,148.21,159.38];%2009年~2021年的公共汽电车线路网里程/(万公里)
data5=[186.63,317.86,331.73,346.82,348.96,346.69,352.33,358.32,355.2,346.1,354.13,302.79,335.27];%2009年~2021年的公共汽电车运营里程/(亿公里)
data6=[742.91,670.12,715.79,749.8,771.17,781.88,765.4,745.23,722.87,697,691.76,442.36,489.16];%2009年~2021年的公共汽电车客流量/(亿人次)
newdata=[4.3;70.45;76550;170;340];%每个值分别为2022年的:机动车数量、公共汽电车数量、线路数、线路网里程、运营里程
x1=2009:1:2021; %定义实际值年份
x2=2009:1:2022; %定义预测值年份
P=[data1;data2;data3;data4;data5]; %特征数据
T=data6; %目标数据
nP=newdata; %预测特征数据
以上是和之前一样操作的数据整理操作
接下来会对整理好的数据按一定的比例随机划分
%% 输入数据和输出数据数据的比例划分
[~,g]=size(P);
randIndex=randperm(g);
k=ceil(0.75*g); %设置75%比例的数据作为训练数据
trainIndex=sort(randIndex(1:k)); %随机选出特征数据的75%比例作为训练数据(这里先选出数据的序号)
testIndex=sort(randIndex(k+1:g)); %将剩下的数据作为检验数据(这里先选出数据的序号)
inputData_train=P(:,trainIndex); % 根据序号选出75%比例数据用于训练的输入
inputData_test=P(:,testIndex); % 根据序号选出25%比例数据用于测试的输入
outputData_train=T(:,trainIndex); % 根据序号选出75%比例数据用于训练的输出
outputData_test=T(:,testIndex); % 根据序号选出25%比例数据用于测试的输出
有13组完整的数据
需要预测另1组中的1个数据
以上输入数据即特征数据
输出数据即目标数据
随机划分了13组数据中75%的比例作为训练集
(输入数据和输出数据各75%)
另外25%比例的数据作为测试集
这样就导致最后将测试数据代入网络
仿真预测出的结果只有25%比例的数据
所以最后还需要将划分的75%比例的数据
代入到网络中训练得到训练集训练出来的数据
另外也要将预测特征(输入)数据代入网络
得到预测的数据
因此,在测试数据代入仿真出结果
再计算误差后
就要将3组仿真的数据按一开始随机划分比例的顺序
排列成完整的输出数据(sim仿真后的)
↓↓↓↓↓
%调用trainlm算法训练网络
[net,tr]=train(net,inputdata_train_regular,outputdata_train_regular);
%放入到网络输出数据
outputData_train_regular=sim(net,inputdata_train_regular); %训练集的输出数据
outputData_test_regular=sim(net,inputdata_test_regular); %测试集的输出数据
nT_regular=sim(net,nP_regular); %预测数据
for rr=i
q1=figure(1);
plotperform(tr);
set(q1,'Position',[280 610 560 420])
q2=figure(2);
plottrainstate(tr);
set(q2,'Position',[1080 610 560 420])
drawnow update;
end
%将得到的数据反归一化
GA_BP_train=mapminmax('reverse',outputData_train_regular,PS2);
GA_BP_test=mapminmax('reverse',outputData_test_regular,PS2);
nT=mapminmax('reverse',nT_regular,PS2);
%训练集、测试集、预测的输出数据矩阵重组
GA_BP_data=ones(output_num,g);
GA_BP_data(:,trainIndex)=GA_BP_train;
GA_BP_data(:,testIndex)=GA_BP_test;
%计算每次实验误差
errors_nn=sum(abs(GA_BP_data-T)./(T))/length(T);
n_EcRMSE=sqrt(sum((errors_nn).^2)/length(errors_nn));
上面是重组后再计算整体训练的误差
其中的for循环次数是根据梯度训练次数i同步的
循环的内容是将神经网络每次训练的性能和状态窗口显示出来
模型运行时可观察上面两个图
来判断训练是否过拟合
即训练数据上表现良好但在验证数据或测试数据上表现不佳
%设置训练参数
net.trainParam.lr=0.0001; %学习率
net.trainparam.show=400; %每训练400次展示一次结果
net.trainParam.goal=0.0001; %目标误差
net.trainparam.epochs=15000; %最大训练次数
net.trainParam.showWindow=1; %BP训练窗口
net.divideParam.trainRatio=0.8; % 用于训练的数据比例
net.divideParam.valRatio=0.2; % 用于验证过拟合的数据比例
net.divideParam.testRatio=0; % 注意要关掉测试数据占比
可以调试上面训练参数
来指导神经网络进行训练
防止神经网络训练时一直处于过拟合情况出现
因为一开始对数据划分过比例
所以要将测试数据占比给关掉
这是新版本MATLAB2022b
神经网络训练窗口改成这样了
若打开的话,不建议再在神经网络算法模块中
添加for循环多次训练
因为新版本MATLAB的神经网络训练窗口
每循环一次都会关闭上一次的训练窗口
然后再打开该次的训练窗口
会花费比较久的时间
不会像之前版本的训练窗口每循环一次窗口数据更新一次
就起不到人为强制干涉神经网络训练次数的作用了
或者可以关闭神经网络训练窗口
这是新版本的神经网络结构图
总之,新版版MATLAB
对于智能算法优化、数据运算方面运行快了很多
也有很多辅助检查分析的工具
据本人测试
好像是新版本MATLAB不需要对变量大小先前设置
设置前和设置后运行时间差不多
甚至设置变量大小后消耗时间还多一点点
但是不设置的话
目前新版本还是会警告提醒建议你设置变量迭代大小
附上源代码:(可结合之前发的一版对比看)
↓↓↓↓↓
clear;
clc;
close all;
%% 实验数据导入及整理
data1=[1.87,2.07,2.25,2.4,2.5,2.64,2.7,2.9,3.1,3.25,3.4,3.72,3.95];%2009年~2021年的机动车数量/(亿辆)
data2=[41.19,42.05,45.33,47.49,50.96,52.88,56.18,60.86,65.12,67.34,69.33,70.44,70.94];%2009年~2021年的公共汽电车数量/(万辆)
data3=[25460,32237,35884,38243,41738,45052,48905,52789,56786,60590,65730,70643,75770];%2009年~2021年的公共汽电车线路数/(条)
data4=[28.92,63.37,67.29,71.46,74.89,81.78,89.43,98.12,106.9,119.9,133.6,148.21,159.38];%2009年~2021年的公共汽电车线路网里程/(万公里)
data5=[186.63,317.86,331.73,346.82,348.96,346.69,352.33,358.32,355.2,346.1,354.13,302.79,335.27];%2009年~2021年的公共汽电车运营里程/(亿公里)
data6=[742.91,670.12,715.79,749.8,771.17,781.88,765.4,745.23,722.87,697,691.76,442.36,489.16];%2009年~2021年的公共汽电车客流量/(亿人次)
newdata=[4.3;70.45;76550;170;340];%每个值分别为2022年的:机动车数量、公共汽电车数量、线路数、线路网里程、运营里程
x1=2009:1:2021; %定义实际值年份
x2=2009:1:2022; %定义预测值年份
P=[data1;data2;data3;data4;data5]; %特征数据
T=data6; %目标数据
nP=newdata; %预测特征数据
%% 输入数据和输出数据数据的比例划分
[~,g]=size(P);
randIndex=randperm(g);
k=ceil(0.75*g); %设置75%比例的数据作为训练数据
trainIndex=sort(randIndex(1:k)); %随机选出特征数据的75%比例作为训练数据(这里先选出数据的序号)
testIndex=sort(randIndex(k+1:g)); %将剩下的数据作为检验数据(这里先选出数据的序号)
inputData_train=P(:,trainIndex); % 根据序号选出75%比例数据用于训练的输入
inputData_test=P(:,testIndex); % 根据序号选出25%比例数据用于测试的输入
outputData_train=T(:,trainIndex); % 根据序号选出75%比例数据用于训练的输出
outputData_test=T(:,testIndex); % 根据序号选出25%比例数据用于测试的输出
%% 实验数据归一化
[inputdata_train_regular,PS1]=mapminmax(inputData_train,-1,1);
[outputdata_train_regular,PS2]=mapminmax(outputData_train,-1,1);
inputdata_test_regular=mapminmax('apply',inputData_test,PS1);
nP_regular=mapminmax('apply',nP,PS1);
%% 实验参数初始化
input_num=size(inputData_train,1); %输入特征个数
output_num=size(outputData_train,1); %输出特征个数
hidden_num1=6; %第一层隐藏层神经元个数
hidden_num2=5; %第二层隐藏层神经元个数
group_num=500; %种群规模
cross_pro=0.6; %交叉概率
mutation_pro=0.04; %变异概率,相对来说比较小
%这个优化的主要思想就是优化网络参数的初始选择,初始选择对于效果好坏是有较大影响的
num_all=input_num*hidden_num1+hidden_num1+hidden_num1*hidden_num2+hidden_num2+hidden_num2*output_num+output_num; %节点总数
lenchrom=ones(1,num_all); %种群总长度
limit=[-1*ones(num_all,1) 1*ones(num_all,1)]; %初始参数给定范围
%% 实验参数设置
num_iter_all=35; %GA-BP实验次数
iter_num=300; %GA迭代循环次数
num=1; %BP梯度下降训练循环次数
input_data=inputdata_train_regular;
output_data=outputdata_train_regular;
% 实验变量存储
TIME=ones(1,num_iter_all);
test=ones(num_iter_all,length(x2));
EMS_all=ones(1,num_iter_all);
%% 实验开始
titlestr='实验运行中,请稍等......';
mm=waitbar(0,titlestr);
set(mm,'Position',[280 376.8750 270 56.2500])
for NN=1:num_iter_all
str=['实验运行第',num2str(NN),'次中,请稍等......'];
waitbar(NN/num_iter_all,mm,str); %实验进度条
t1=datetime('now');%每次实验开始的时间
%% 基因编译
%GA变量存储设置
trace=ones(iter_num+1,2);
initial_chrom=ones(group_num,num_all);
fitness_group=ones(group_num,1);
%GA种群初始化
for i=1:group_num
initial=rand(1,length(lenchrom)); %产生0-1的随机数
initial_chrom(i,:)=limit(:,1)'+(limit(:,2)-limit(:,1))'.*initial; %变成染色体的形式,一行为一条染色体
fitness_value=fitness(initial_chrom(i,:),input_num,hidden_num1,hidden_num2,output_num,input_data,output_data);%计算初始适应度
fitness_group(i)=fitness_value;
end
[bestfitness,bestindex]=min(fitness_group);
bestchrom=initial_chrom(bestindex,:); %最好的染色体
avgfitness=sum(fitness_group)/group_num; %染色体的平均适应度
trace(1,:)=[avgfitness bestfitness]; %记录每一代进化中最好的适应度和平均适应度
%% 迭代过程
input_chrom=initial_chrom;
titlestr=('GA迭代中,请稍等......');
kk=waitbar(0,titlestr);
set(kk,'Position',[890 376.8750 270 56.2500])
% 开始迭代
for numa=1:iter_num
str=['GA迭代第',num2str(numa),'次中,请稍等......',num2str(round(numa/iter_num*100)),'%'];
waitbar(numa/iter_num,kk,str); %GA迭代进度条
% 选择
[new_chrom,new_fitness]=select(input_chrom,fitness_group,group_num); %把表现好的挑出来,还是和种群数量一样
% 交叉
new_chrom=Cross(cross_pro,lenchrom,new_chrom,group_num,limit);
% 变异
new_chrom=Mutation(mutation_pro,lenchrom,new_chrom,group_num,numa,iter_num,limit);
% 计算每次迭代后的适应度
for j=1:group_num
sgroup=new_chrom(j,:); %个体
new_fitness(j)=fitness(sgroup,input_num,hidden_num1,hidden_num2,output_num,input_data,output_data);
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(new_fitness);
[worestfitness,worestindex]=max(new_fitness);
% 代替上一次进化中最好的染色体
if newbestfitness<bestfitness
bestfitness=newbestfitness;
bestchrom=new_chrom(newbestindex,:);
end
new_chrom(worestindex,:)=bestchrom;
new_fitness(worestindex)=bestfitness;
avgfitness=sum(new_fitness)/group_num;
trace(numa+1,:)=[avgfitness bestfitness]; %记录每一代进化中最好的适应度和平均适应度
end
close(kk)
%% 绘制适应度曲线图并保存
nplot1(trace,iter_num,NN);
%% 把遗传算法优化的最优初始阀值权值赋予网络预测
%构建网络结构
net=newff(inputdata_train_regular,outputdata_train_regular,[hidden_num1 hidden_num2],{'tansig','tansig','purelin'},'trainlm');
%权值初始化
w1=bestchrom(1:input_num*hidden_num1); %输入层和第一层隐藏层之间的权重参数
B1=bestchrom(input_num*hidden_num1+1:input_num*hidden_num1+hidden_num1); %第一层隐藏层神经元的偏置
w2=bestchrom(input_num*hidden_num1+hidden_num1+1:input_num*hidden_num1+hidden_num1+hidden_num1*hidden_num2); %第一层隐藏层和第二层隐藏层之间的权重参数
B2=bestchrom(input_num*hidden_num1+hidden_num1+hidden_num1*hidden_num2+1:input_num*hidden_num1+hidden_num1+hidden_num1*hidden_num2+hidden_num2); %第二层隐藏层神经元的偏置
w3=bestchrom(input_num*hidden_num1+hidden_num1+hidden_num1*hidden_num2+hidden_num2+1:input_num*hidden_num1+hidden_num1+hidden_num1*hidden_num2+hidden_num2+hidden_num2*output_num);%第二层隐藏层和输出层之间的权值参数
B3=bestchrom(input_num*hidden_num1+hidden_num1+hidden_num1*hidden_num2+hidden_num2+hidden_num2*output_num+1:input_num*hidden_num1+hidden_num1+hidden_num1*hidden_num2+hidden_num2+hidden_num2*output_num+output_num);%输出层神经元的偏执
%网络权值赋值
net.iw{1,1}=reshape(w1,hidden_num1,input_num);
net.lw{2,1}=reshape(w2,hidden_num2,hidden_num1);
net.lw{3,2}=reshape(w3,output_num,hidden_num2);
net.b{1}=reshape(B1,hidden_num1,1);
net.b{2}=reshape(B2,hidden_num2,1);
net.b{3}=reshape(B3,output_num,1);
%设置训练参数
net.trainParam.lr=0.0001; %学习率
net.trainparam.show=400; %每训练400次展示一次结果
net.trainParam.goal=0.0001; %目标误差
net.trainparam.epochs=15000; %最大训练次数
net.trainParam.showWindow=1; %BP训练窗口
net.divideParam.trainRatio=0.8; % 用于训练的数据比例
net.divideParam.valRatio=0.2; % 用于验证过拟合的数据比例
net.divideParam.testRatio=0; % 注意要关掉测试数据占比
%% 神经网络初始化
%BP初始预测值
outputData_test_regular=sim(net,inputdata_test_regular);
%初始预测值反归一化
GA_BP_test=mapminmax('reverse',outputData_test_regular,PS2);
%计算初始预测误差
errors_nn=sum(abs(GA_BP_test-outputData_test)./(outputData_test))/length(outputData_test);
EcRMSE=sqrt(sum((errors_nn).^2)/length(errors_nn));
%% 调用神经网络工具箱开始训练
titlestr='BP训练中,请稍等......';
nn=waitbar(0,titlestr);
set(nn,'Position',[890 376.8750 270 56.2500])
%训练变量存储
ems_all=ones(1,num);
Test=ones(num,length(x2));
for i=1:num
str=['BP梯度下降训练第',num2str(i),'次中,请稍等......',num2str(round(i/num*100)),'%'];
waitbar(i/num,nn,str); %训练进度条
%调用trainlm算法训练网络
[net,tr]=train(net,inputdata_train_regular,outputdata_train_regular);
%放入到网络输出数据
outputData_train_regular=sim(net,inputdata_train_regular); %训练集的输出数据
outputData_test_regular=sim(net,inputdata_test_regular); %测试集的输出数据
nT_regular=sim(net,nP_regular); %预测数据
for rr=i
q1=figure(1);
plotperform(tr);
set(q1,'Position',[180 610 560 420])
q2=figure(2);
plottrainstate(tr);
set(q2,'Position',[1180 610 560 420])
drawnow update;
end
%将得到的数据反归一化
GA_BP_train=mapminmax('reverse',outputData_train_regular,PS2);
GA_BP_test=mapminmax('reverse',outputData_test_regular,PS2);
nT=mapminmax('reverse',nT_regular,PS2);
%训练集、测试集、预测的输出数据矩阵重组
GA_BP_data=ones(output_num,g);
GA_BP_data(:,trainIndex)=GA_BP_train;
GA_BP_data(:,testIndex)=GA_BP_test;
%计算每次实验误差
errors_nn=sum(abs(GA_BP_data-T)./(T))/length(T);
n_EcRMSE=sqrt(sum((errors_nn).^2)/length(errors_nn));
%替代
if n_EcRMSE<EcRMSE
EcRMSE=n_EcRMSE;
end
%存储每次网络训练数据并选择最优值
GA_BP_data=cat(2,GA_BP_data,nT);
ems_all(:,i)=EcRMSE;
Test(i,:)=GA_BP_data;
[p,q]=min(ems_all); %q最小训练误差的次数
EcRMSE=p;%p最小训练误差值
GA_BP_data=Test(q,:);
end
close(nn)
%% 绘制每次BP误差曲线图并保存
h=nplot2(num,ems_all,NN);
%% 存储每次实验相关数据
EMS_all(:,NN)=EcRMSE;%存储每次实验误差
test(NN,:)=GA_BP_data;
%% 每次实验所耗时间存储
t2=datetime('now'); %每次实验结束的时间
dur=t2-t1;
Time_all=seconds(dur);%实验所耗时间
TIME(:,NN)=Time_all;%存储每次实验所耗时间
time=sum(TIME);%实验总共所耗时间计算
end
close(mm)
close all
view(net) %显示网络拓扑图
%% 实验结果整理
%GA-BP迭代优化择优
[m,n]=min(EMS_all); %索引最小误差的实验次数
GA_BP_data=test(n,:);
% 输出2022年的预测数据
GA_BP=GA_BP_data(:,end);
disp('2022年的预测客流量为:')
disp(GA_BP)
% 绘制曲线图
[j,k]=nplot3(EMS_all,x1,x2,GA_BP_data,T,GA_BP);
% 绘制结果提示窗口
message=msgBox(num_iter_all,time,n,m,GA_BP);
%% fitness函数
function fitness_value=fitness(input_chrom,input_num,hidden_num1,hidden_num2,output_num,input_data,output_data)
%该函数用来计算适应度值
%input_chrom 输入种群
%input_num 输入层的节点数,即数据特征数量
%output_num 隐含层节点数,隐藏层神经元的个数
%input_data 训练输入数据
%output_data 训练输出数据
%fitness_value 个体适应度值
w1=input_chrom(1:input_num*hidden_num1); %输入层和第一层隐藏层之间的权重参数
B1=input_chrom(input_num*hidden_num1+1:input_num*hidden_num1+hidden_num1); %第一层隐藏层神经元的偏置
w2=input_chrom(input_num*hidden_num1+hidden_num1+1:input_num*hidden_num1+hidden_num1+hidden_num1*hidden_num2); %第一层隐藏层和第二层隐藏层之间的权重参数
B2=input_chrom(input_num*hidden_num1+hidden_num1+hidden_num1*hidden_num2+1:input_num*hidden_num1+hidden_num1+hidden_num1*hidden_num2+hidden_num2); %第二层隐藏层神经元的偏置
w3=input_chrom(input_num*hidden_num1+hidden_num1+hidden_num1*hidden_num2+hidden_num2+1:input_num*hidden_num1+hidden_num1+hidden_num1*hidden_num2+hidden_num2+hidden_num2*output_num);%第二层隐藏层和输出层之间的权值参数
B3=input_chrom(input_num*hidden_num1+hidden_num1+hidden_num1*hidden_num2+hidden_num2+hidden_num2*output_num+1:end);%输出层神经元的偏执
%网络权值赋值
W1=reshape(w1,hidden_num1,input_num);
W2=reshape(w2,hidden_num2,hidden_num1);
W3=reshape(w3,output_num,hidden_num2);
B1=reshape(B1,hidden_num1,1);
B2=reshape(B2,hidden_num2,1);
B3=reshape(B3,output_num,1);
[~,n]=size(input_data);
A1=tansig(W1*input_data+repmat(B1,1,n)); %需与main函数中激活函数相同
A2=tansig(W2*A1+repmat(B2,1,n)); %需与main函数中激活函数相同
A3=purelin(W3*A2+repmat(B3,1,n));
error=sumsqr(output_data-A3);
fitness_value=error; %误差即为适应度
end
%% select函数
function [new_chrom,new_fitness]=select(input_chrom,fitness_group,group_num)
% 用轮盘赌在原来的函数里选择
% fitness_group 种群信息
% group_num 种群规模
% newgroup 选择后的新种群
%求适应度值倒数
fitness1=fitness_group; %个体适应度值
%个体选择概率
sumfitness=sum(fitness1);
sumf=fitness1./sumfitness;
%采用轮盘赌法选择新个体
index=ones(1,group_num);
for i=1:group_num %group_num为种群数
pick=rand;
while pick==0
pick=rand;
end
for j=1:group_num
pick=pick-sumf(j);
if pick<0
index(1,i)=j;
break;
end
end
end
%新种群
new_chrom=input_chrom(index,:);
new_fitness=fitness_group(index);
end
%% Cross函数
function new_chrom=Cross(cross_pro,lenchrom,input_chrom,group_num,limit)
%随机选择两个染色体位置交叉
% cross_pro 交叉概率
% lenchrom 染色体的长度,即所有参数的数量
% input_chrom 染色体群,经过选择遗传下来的表现比较好的
% group_num 种群规模
% new_chrom 交叉后的染色体
for i=1:group_num %每一轮for循环中,可能会进行一次交叉操作,染色体是随机选择的,交叉位置也是随机选择的,
%但该轮for循环中是否进行交叉操作则由交叉概率决定(continue控制)
pick=rand(1,2); % 随机选择两个染色体进行交叉
while prod(pick)==0 %连乘
pick=rand(1,2);
end
index=ceil(pick.*group_num); % 交叉概率决定是否进行交叉
pick=rand;
while pick==0
pick=rand;
end
if pick>cross_pro
continue;
end
% 随机选择交叉位
pick=rand;
while pick==0
pick=rand;
end
flag=0;
while flag==0
pos=ceil(pick*length(lenchrom)); %随机选择进行交叉的位置,即选择第几个变量进行交叉,注意:两个染色体交叉的位置相同
pick=rand; %交叉开始
v1=input_chrom(index(1),pos);
v2=input_chrom(index(2),pos);
input_chrom(index(1),pos)=pick*v2+(1-pick)*v1;
input_chrom(index(2),pos)=pick*v1+(1-pick)*v2; %交叉结束
%判断交叉后的两条染色体可不可行
limit1=mean(limit);
f11=isempty(find(input_chrom(index(1),:)>limit1(2), 1));
f12=isempty(find(input_chrom(index(1),:)<limit1(1), 1));
if f11*f12==0
flag1=0;
else
flag1=1;
end
f21=isempty(find(input_chrom(index(2),:)>limit1(2), 1));
f22=isempty(find(input_chrom(index(2),:)<limit1(1), 1));
if f21*f22==0
flag2=0;
else
flag2=1;
end
if flag1*flag2==0
flag=0;
else
flag=1;
end %如果两个染色体不是都可行,则重新交叉
end
end
new_chrom=input_chrom;
end
%% Mutation函数
function new_chrom=Mutation(mutation_pro,lenchrom,input_chrom,group_num,num,iter_num,limit)
% 本函数完成变异操作
% mutation_pro 变异概率
% lenchrom 染色体长度
% input_chrom 输入交叉过后的染色体
% group_num 种群规模
% iter_num 最大迭代次数
% limit 每个个体的上限和下限
% num 当前迭代次数
% new_chrom 变异后的染色体
for i=1:group_num %每一轮for循环中,可能会进行一次变异操作,染色体是随机选择的,变异位置也是随机选择的,
%但该轮for循环中是否进行变异操作则由变异概率决定(continue控制)
% 随机选择一个染色体进行变异
pick=rand;
while pick==0
pick=rand;
end
index=ceil(pick*group_num);
% 变异概率决定该轮循环是否进行变异
pick=rand;
if pick>mutation_pro
continue;
end
flag=0;
while flag==0
% 变异位置
pick=rand;
while pick==0
pick=rand;
end
pos=ceil(pick*sum(lenchrom)); %随机选择了染色体变异的位置,即选择了第pos个变量进行变异
pick=rand; %变异开始
fg=(pick*(1-num/iter_num))^2;
if pick>0.5
input_chrom(index,pos)=input_chrom(index,pos)+(limit(pos,2)-input_chrom(index,pos))*fg;
else
input_chrom(index,pos)=input_chrom(index,pos)-(input_chrom(index,pos)-limit(pos,1))*fg;
end %变异结束
limit1=mean(limit);
f1=isempty(find(input_chrom(index,:)>limit1(2), 1));
f2=isempty(find(input_chrom(index,:)<limit1(1), 1));
if f1*f2==0
flag=0;
else
flag=1;
end
end
end
new_chrom=input_chrom;
end
%% nplot1函数
function h=nplot1(trace,iter_num,NN)
%该函数用来绘制GA适应度迭代曲线图
h=figure('visible','off');
[r ,~]=size(trace);
plot((1:r)',trace(:,2),'b--');
titlestr=['GA适应度曲线 ','终止代数=',num2str(iter_num),' 第',num2str(NN),'次实验优化'];
title(titlestr);
xlabel('进化代数');ylabel('适应度');
legend('最佳适应度');
set(gca,'xlim',[0,iter_num])
titlestr=['第',num2str(NN),'次实验GA适应度'];
print(h,'-dpng',titlestr)
end
%% nplot2函数
function h=nplot2(num,ems_all,NN)
%该函数用来绘制BP误差训练图
h=figure('visible','off');
plot((1:num),ems_all,'b--');
titlestr=['BP误差曲线 ','终止次数=',num2str(num),' 第',num2str(NN),'次实验优化'];
title(titlestr);
xlabel('训练次数');ylabel('误差百分比/(%)');
legend('BP训练误差');
set(gca,'xlim',[0,num])
titlestr=['第',num2str(NN),'次实验BP误差'];
print(h,'-dpng',titlestr)
end
%% nplot3函数
function [j,k]=nplot3(EMS_all,x1,x2,GA_BP_data,T,GA_BP)
%该函数用来绘制GA-BP实验误差曲线图
j=figure('visible','on');
plot(EMS_all,'LineWidth',2)
xlabel('实验优化次数')
ylabel('误差/(%)')
titlestr=('GA-BP实验误差曲线');
title(titlestr)
%绘制目标数据与预测数据曲线图
k=figure;
axy3=plot(x1,T,'b-o','linewidth',1);
hold on
axy4=plot(x2,GA_BP_data,'r--+','linewidth',1);
xlabel('年份')
ylabel('客流量/亿人次')
titlestr=['GABP预测——我国城市公交系统车站客流量',' 2022年预测客流量为:',num2str(GA_BP),'亿人次'];
title(titlestr)
set(gca,'xtick',2009:1:2022);
legend([axy3(1),axy4(1)],'真实数据','预测数据')
axis([2009 2022 400 800])
grid on
end
%% msgBox函数
function message=msgBox(num_iter_all,time,n,m,GA_BP)
%该函数用来显示实验结果提示窗口
titlestr1=['实验',num2str(num_iter_all),'次','所耗时间:',num2str(time),' 秒',' 最小均方误差为: 第 ',num2str(n(1)),' 次的 ',num2str(m(1))];
titlestr2=['2022年预测客流量为 : ',num2str(GA_BP),' 亿人次'];
disp(titlestr1)
disp(titlestr2)
message=msgbox({titlestr1;titlestr2},'GA-BP模型预测结果');
% 文本居中
th = findall(0, 'Tag','MessageBox' );
boxPosition = get(message,'position');
textPosition = get(th, 'position');
set(th, 'position', [boxPosition(3).*0.5 textPosition(2) textPosition(3)]);
set(th, 'HorizontalAlignment', 'center');
end
运行结果图
↓↓↓↓↓
仅供学习参考