【MatLab】《遗传算法GA+BP神经网络——电路参数估计》

matlab语言 遗传算法GA+BP神经网络 电路参数估计

一、整体设计概述：BP神经网络代理电路模型 GA寻找误差最小参数

根据采样数据训练BP神经网络，用训练好的网络来作为目标函数输出电路参数误差，通过GA寻找误差最小的电路参数值。

二、代码实现(需要完整代码的私聊）

BP.m 主函数

clc
close all
clear all
%% 训练BP模型
datapath='f=85000.xls';
f=85000;
% datapath='f=6.393341925217580e+04.xls';
myBP=BPMod(datapath);
%% 使用BP模型预测
Iin_cl=16.54;
Icf_cl=19.28;
[M_pre,RL_pre]=mypredictor(myBP,Iin_cl,Icf_cl);
[Iin_exp,Icf_exp]=get_expI(f,M_pre,RL_pre);

disp(['Iin测量值为：',num2str(Iin_cl)])
disp(['Icf测量值为：',num2str(Icf_cl)])
error=abs(Iin_cl-Iin_exp)+abs(Icf_cl-Icf_exp);
disp(['最小误差为：',num2str(error)])

disp(['M预测值为：',num2str(M_pre)])
disp(['RL预测值为：',num2str(RL_pre)])

disp(['Iin计算值为：',num2str(Iin_exp)])
disp(['Icf计算值为：',num2str(Icf_exp)])

BPMod.m 数据处理+训练BP网络

function myBP=BPMod(datapath)
%% 数据预处理
% datapath='f=85000.xls';
data=xlsread(datapath);
trainRatio=0.75;
valRatio=0;
testRatio=1-trainRatio;
[trainInd,valInd,testInd] = dividerand(max(size(data)),trainRatio,valRatio,testRatio);
input_train=data(trainInd,3:4);
output_train=data(trainInd,1:2);
input_test=data(testInd,3:4)';
output_test=data(testInd,1:2)';
% %% 数据归一化
% for i=1:size(output_train,2)
%     output_train(:,i)=mymaxminmap(output_train(:,i));
% end
%% 输入输出数据归一化
[inputn,inputps]=mapminmax(input_train');
[outputn,outputps]=mapminmax(output_train');
% outputn=outputn';
%% BP网络训练
node_in_num=2; % 输入层节点数量
% node_hidden_num=2*node_in_num+1;% 隐含层节点数量
node_out_num=2;
node_hidden_num=(node_out_num+node_in_num)+randi([1,10]);% 隐含层节点数量

% %初始化网络结构
% net=newff(inputn,outputn,node_hidden_num);
net=feedforwardnet(11,'trainlm');
net.trainParam.epochs=10000;
net.trainParam.lr=0.01;
net.trainParam.goal=0.0002;
net.trainParam.showCommandLine=true;
net.trainParam.max_fail = 20;
% net.divideFcn='divideind';
% net.trainParam.showWindow=true;
%网络训练
net=train(net,inputn,outputn);
%% BP网络预测
%预测数据归一化
inputn_test=mapminmax('apply',input_test,inputps);
%网络预测输出
an=sim(net,inputn_test);
%网络输出反归一化
BPoutput=mapminmax('reverse',an,outputps);
%% 
figure
subplot(2,1,1)
plot(BPoutput(1,:),'r*')
hold on
plot(output_test(1,:),'bo')
plot(abs(BPoutput(1,:)-output_test(1,:)),'c--.')
legend('BP预测值','实际值','误差绝对值')
title('Iin')
grid on
subplot(2,1,2)
plot(BPoutput(2,:),'r*')
hold on
plot(output_test(2,:),'bo')
hold on
plot(abs(BPoutput(2,:)-output_test(2,:)),'c--.')
legend('BP预测值','实际值','误差绝对值')
title('Icf')
grid on

[c,l]=size(BPoutput);
error=abs(BPoutput(2,:)-output_test(2,:))+...
    abs(BPoutput(1,:)-output_test(1,:));
MAE1=sum(abs(error))/l;
MSE1=error*error'/l;
RMSE1=MSE1^(1/2);
disp(['-----------------------误差计算--------------------------'])
disp(['隐含层节点数为',num2str(node_hidden_num),'时的误差结果如下：'])
disp(['平均绝对误差MAE为：',num2str(MAE1)])
disp(['均方误差MSE为：       ',num2str(MSE1)])
disp(['均方根误差RMSE为：  ',num2str(RMSE1)])
myBP.inputps=inputps;
myBP.net=net;
myBP.outputps=outputps;

% f=85000;
% RL=50;
% M=5.477e-5;
% % [Iin_exp,Icf_exp]=get_expI(f,M,RL);
% % 
% fitness=getfitness(myBP,f,M,RL);

GA.m 遗传算法主函数

clc
close all
clear all
%% 模型参数
f=85000;
RL_max=200;
RL_min=50;
M_max=1e-4;
M_min=1e-5;
Iin_cl=16.54;
Icf_cl=19.28;
%% GA参数设置
Maxgen=1000;
Popnum=50;
Pc=0.5;
Pm=0.5;
%%  初始化种群
for i=1:Popnum
    chrom(i).M=(M_max-M_min)*rand()+M_min;
    chrom(i).RL=(RL_max-RL_min)*rand()+RL_min;
    chrom(i).fitness=getfitness(f,Iin_cl,Icf_cl,chrom(i).M,chrom(i).RL);
end
%% 种群进化
gen=0;
while gen<Maxgen
    gen=gen+1
    Newchrom=chrom;
    for i=1:Popnum
        temppop=Newchrom(i);
        pc=rand();
        if pc<Pc
            temppop=across(temppop,chrom,Popnum,f,Iin_cl,Icf_cl);
        end
        pm=0;
        if pm<Pm
            temppop=mutation(temppop,f,M_max,M_min,RL_max,RL_min,Iin_cl,Icf_cl);
        end
        Newchrom(i)=temppop;
    end
    Chrom_all=[chrom,Newchrom];
    [V,ind]=sort([Chrom_all.fitness]);
    chrom=Chrom_all(ind(1:Popnum));
    bestV(gen)=V(1);
    bestpop(gen)=Chrom_all(ind(1));
end
%% 显示结果
figure
plot(bestV)
xlabel('迭代次数')
ylabel('目标函数值')
title('进化曲线')
legend('最优解')

disp(['Iin测量值（BP预测）为：',num2str(Iin_cl)])
disp(['Icf测量值（BP预测）为：',num2str(Icf_cl)])

disp(['最小误差为：',num2str(bestV(end))])
disp(['最小误差对应的M为：',num2str(bestpop(end).M)])
disp(['最小误差对应的RL为：',num2str(bestpop(end).RL)])

[Iin_exp,Icf_exp]=get_expI(f,bestpop(end).M,bestpop(end).RL);
disp(['Iin计算值为：',num2str(Iin_exp)])
disp(['Icf计算值为：',num2str(Icf_exp)])

三、结果展示

BP神经网络训练情况

本模型使用BP神经网络来代理实际电路的输出，因此神经网络的回归效果一定要好，预测结果贴近实际电路输出，这样才能确保后续参数寻优的准确性

遗传算法优化结果

以电路参数误差为目标函数，通过GA+bp模型 找到最优的参数。
一是通过进化曲线，确认GA算法已经收敛，如果不收敛的话就调整GA的参数，使得在迭代后期目标函数值趋于稳定。


可以看到BP模型的预测值和实际值很接近，说明BP神经网络训练效果较好，最终误差为0.53179，对应的电路参数M和RL也通过GA得到。

四、项目分享

源码链接：C币下载
需要免费分享的关注+点赞+收藏的 私聊领取
完整的项目内容
包含：
**模型文件和电路数据
BP模型代码
GA模型代码
均可分别运行
内含simulink封装好的S函数 可以支持simulink使用
可以结合这个案例，学习遗传算法和BP神经网络的单独使用的方法，以及遗传算法+BP代理模型联合仿真的方法，如果你的问题是电路参数估计的模型，更改数据和公式之后可以直接使用