MATLAB_遗传神经网络

tic
clear;
clc;
%%%%加载数据
local='C:\Users\37989\Desktop\2688.xlsx';%数据文件地址
input1=xlsread(local,'sheet1','A1:D2688');
output1=xlsread(local,'sheet1','E1:E2688');
testdata=xlsread(local,'sheet2','A1:D25');

%%%神经网络参数初始化
inputnum=4;                     %输入层节点数
hiddennum=10;                   %隐层节点数
outputnum=1;                    %输出层节点数
trainnumX=0.8;                  %训练样本比例
%% 遗传算法参数初始化
maxgen=15;                         %进化代数，即迭代次数
sizepop=30;                        %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
%% BP网络训练
%网络参数
net.trainParam.epochs=500;     %迭代次数
net.trainParam.lr=0.05;         %学习率
net.trainParam.goal=0.000001;  %误差阈值

%%%%%%%%%%%%%%%%%代码部分
[Mnum,~]=size(input1);
RANDONDATA=randomint(1,Mnum);
input=zeros(Mnum,inputnum);
output=zeros(Mnum,outputnum);
for asd=1:Mnum
    input(asd,:)=input1(RANDONDATA(1,asd),:);
    output(asd,:)=output1(RANDONDATA(1,asd),:);
end
trainnum=round(trainnumX*Mnum);
input_train=input(1:trainnum,:)';
input_test=input(trainnum+1:Mnum,:)';
output_train=output(1:trainnum)';
output_test=output(trainnum+1:Mnum)';
[inputn,inputps]=mapminmax(input_train);
[outputn,outputps]=mapminmax(output_train);
net=newff(inputn,outputn,hiddennum);
 
%%%%遗传算法
numsum=inputnum*hiddennum+hiddennum+hiddennum*outputnum+outputnum;
lenchrom=ones(1,numsum);       
bound=[-3*ones(numsum,1) 3*ones(numsum,1)];    %数据范围
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

for i=1:sizepop                                  %随机产生一个种群
    individuals.chrom(i,:)=Code(lenchrom,bound);    %编码
    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

[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                              
trace=[avgfitness bestfitness]; % 记录每一代进化中最好的适应度和平均适应度

 for num=1:maxgen
    % 选择  
     individuals=select(individuals,sizepop);   
    avgfitness=sum(individuals.fitness)/sizepop; 
    %交叉  
    individuals.chrom=Cross(pcross,lenchrom,individuals,sizepop,bound);  
    % 变异  
    individuals.chrom=Mutation(pmutation,lenchrom,individuals,sizepop,num,maxgen,bound);      
    % 计算适应度   
   
    for j=1:sizepop  
        x=individuals.chrom(j,:); %个体 
        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
 
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');
%% 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

x=bestchrom;
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}=reshape(B2,outputnum,1);

%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;

figure(2)
plot(output_test(:,1:25));
hold on
plot(test_simu(:,1:25),'--g');
grid on
legend('预测输出','期望输出')
set(gca,'linewidth',1.0);
xlabel('X 样本','FontSize',15);
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
ylabel('Y 输出','FontSize',15);
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
set(gcf,'color','w')
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
title('GA-BP Network','Color','k','FontSize',15);

toc

F = roundn([test_simu',output_test',test_simu'-output_test'],-4);



function ret=Code(lenchrom,bound)
%本函数将变量编码成染色体，用于随机初始化一个种群
% lenchrom   input : 染色体长度
% bound      input : 变量的取值范围
% ret        output: 染色体的编码值
    pick=rand(1,length(lenchrom));


    ret=bound(:,1)'+(bound(:,2)-bound(:,1))'.*pick; %线性插值，编码结果以实数向量存入ret中

function ret=Cross(pcross,lenchrom,individuals,sizepop,bound)
%本函数完成交叉操作
% pcorss                input  : 交叉概率
% lenchrom              input  : 染色体的长度
% individuals.chrom     input  : 染色体群
% sizepop               input  : 种群规模
% ret                   output : 交叉后的染色体
 for i=1:sizepop  %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.*sizepop);  % 交叉概率决定是否进行交叉
    pick=rand;
     while pick==0
         pick=rand;
     end
     if pick>pcross
         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=individuals.chrom(index(1),pos);
         v2=individuals.chrom(index(2),pos);
         individuals.chrom(index(1),pos)=pick*v2+(1-pick)*v1;
         individuals.chrom(index(2),pos)=pick*v1+(1-pick)*v2; %交叉结束
    
         flag1=test(individuals.chrom(index(1),:));  %检验染色体1的可行性
         flag2=test(individuals.chrom(index(2),:));  %检验染色体2的可行性
         
         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


ret=individuals.chrom;



function error = fun(x,inputnum,hiddennum,outputnum,net,inputn,outputn)
%该函数用来计算适应度值
%x          input     个体
%inputnum   input     输入层节点数
%outputnum  input     隐含层节点数
%net        input     网络
%inputn     input     训练输入数据
%outputn    input     训练输出数据
%error      output    个体适应度值
%提取
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=newff(inputn,outputn,hiddennum);
%网络进化参数
net.trainParam.epochs=20;
net.trainParam.lr=0.1;
net.trainParam.goal=0.00001;
net.trainParam.show=100;
net.trainParam.showWindow=0;
%网络权值赋值
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}=reshape(B2,outputnum,1);


%网络训练


net=train(net,inputn,outputn);
an=sim(net,inputn);

error=sum(abs(an-outputn));



function ret=Mutation(pmutation,lenchrom,individuals,sizepop,num,maxgen,bound)
% 本函数完成变异操作
% pcorss                input  : 变异概率
% lenchrom              input  : 染色体长度
% individuals.chrom     input  : 染色体
% sizepop               input  : 种群规模
% opts                  input  : 变异方法的选择
% pop                   input  : 当前种群的进化代数和最大的进化代数信息
% bound                 input  : 每个个体的上届和下届
% maxgen                input  ：最大迭代次数
% num                   input  : 当前迭代次数
% ret                   output : 变异后的染色体


for i=1:sizepop   %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*sizepop);
    % 变异概率决定该轮循环是否进行变异
    pick=rand;
    if pick>pmutation
        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/maxgen))^2;
        if pick>0.5
            individuals.chrom(index,pos)=individuals.chrom(index,pos)+(bound(pos,2)-individuals.chrom(index,pos))*fg;
        else
            individuals.chrom(index,pos)=individuals.chrom(index,pos)-(individuals.chrom(index,pos)-bound(pos,1))*fg;
        end   %变异结束
        flag=test(individuals.chrom(index,:));  %检验染色体的可行性
    end
end



ret=individuals.chrom;



function ret=select(individuals,sizepop)
% 该函数用于进行选择操作
% individuals input    种群信息
% sizepop     input    种群规模
% ret         output   选择后的新种群
%求适应度值倒数  
fitness1=10./individuals.fitness; %individuals.fitness为个体适应度值
%个体选择概率
sumfitness=sum(fitness1);
sumf=fitness1./sumfitness;
%采用轮盘赌法选择新个体
index=[];
for i=1:sizepop   %sizepop为种群数
    pick=rand;
    while pick==0   
        pick=rand;       
    end
    for j=1:sizepop   
        pick=pick-sumf(j);       
        if pick<0       
            index=[index j];           
            break; 
        end
  end
end
%新种群
individuals.chrom=individuals.chrom(index,:);   %individuals.chrom为种群中个体
individuals.fitness=individuals.fitness(index);



ret=individuals;



function flag=test(chrom)
%此函数用来判断individuals.chrom里数值是否超过边界bound
%bound在main里定义为（-3:3）
%flag       output     染色体可行（未超界）output为1 ，不可行为0
f1=isempty(find(chrom>3));
f2=isempty(find(chrom<-3));
if f1*f2==0
    flag=0;
else
    flag=1;
end