ga优化权重matlab,ga优化elman的问题|《MATLAB神经网络43个案例分析》|MATLAB技术论坛 - Powered by Discuz!...

以下是我根据ga-bp和elman的编写的程序，总归运行出来结果是错误的，自己检查自己的程序也思维受限，麻烦大神们帮忙看看哪里错了，跪谢。

%% 清空环境变量

clc,clear,close all

%% 训练数据预测数据提取及归一化

%下载输入输出数据

load data.mat; %原始数据以列向量的方式存放在workplace文件中

n=size(data);

input=data(:,1:3);%作为输入

output=data(:,4);%作为目标向量

%节点个数

inputnum=3;

hiddennum=7;

feedbacknum=7;

outputnum=1;

%训练数据和预测数据

input_train=input(1:n(1,1),:)';

input_test=input(1:n(1,1),:)';

output_train=output(1:n(1,1))';

output_test=output(1:n(1,1))';

%训练样本输入输出数据归一化

[inputn,inputps]=mapminmax(input_train);

[outputn,outputps]=mapminmax(output_train);

%构建网络

nntwarn off

threshold=[0 1;0 1;0 1];

net=newelm(threshold,[7,1],{'tansig','purelin'});

%% 遗传算法参数初始化

maxgen=10;                         %进化代数，即迭代次数

sizepop=50;                        %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

%节点总数

numsum=inputnum*hiddennum+hiddennum+hiddennum*feedbacknum+hiddennum*outputnum+outputnum;

lenchrom=ones(1,numsum);

bound=[-3*ones(numsum,1) 3*ones(numsum,1)];    %数据范围

%------------------------------------------------------种群初始化--------------------------------------------------------

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

%初始化种群

for i=1:sizepop

%随机产生一个种群

individuals.chrom(i,:)=Code(lenchrom,bound);    %编码(binary和grey的编码结果为一个实数，float的编码结果为一个实数向量)

x=individuals.chrom(i,:);

%计算适应度

individuals.fitness(i)=fun(x,inputnum,hiddennum,feedbacknum,outputnum,net,inputn,outputn);   %染色体的适应度

end

%找最好的染色体

[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

% 记录每一代进化中最好的适应度和平均适应度

trace=[avgfitness bestfitness];

%% 迭代求解最佳初始阀值和权值

% 进化开始

for i=1:maxgen

i

% 选择

individuals=Select(individuals,sizepop);

avgfitness=sum(individuals.fitness)/sizepop;

%交叉

individuals.chrom=Cross(pcross,lenchrom,individuals.chrom,sizepop,bound);

% 变异

individuals.chrom=Mutation(pmutation,lenchrom,individuals.chrom,sizepop,i,maxgen,bound);

% 计算适应度

for j=1:sizepop

x=individuals.chrom(j,:); %解码

individuals.fitness(j)=fun(x,inputnum,hiddennum,feedbacknum,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

%% 遗传算法结果分析

figure,

[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');

x=bestchrom;

%% 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

w1=x(1:hiddennum*inputnum);

w2=x(hiddennum*inputnum+1:inputnum*hiddennum+hiddennum*feedbacknum);

B1=x(inputnum*hiddennum+hiddennum*feedbacknum+1:inputnum*hiddennum+hiddennum*feedbacknum+hiddennum);

w3=x(inputnum*hiddennum+hiddennum*feedbacknum+hiddennum+1:inputnum*hiddennum+hiddennum*feedbacknum+hiddennum+hiddennum*outputnum);

B2=x(inputnum*hiddennum+hiddennum*feedbacknum+hiddennum+hiddennum*outputnum+1:inputnum*hiddennum+hiddennum*feedbacknum+hiddennum+hiddennum*outputnum+outputnum);

net.iw{1,1}=reshape(w1,hiddennum,inputnum);

net.lw{1,1}=reshape(w2,hiddennum,feedbacknum);

net.lw{2,1}=reshape(w3,outputnum,hiddennum);

net.b{1}=reshape(B1,hiddennum,1);

net.b{2}=B2;

%% BP网络训练

%网络进化参数

net.trainParam.epochs=100;

net.trainParam.lr=0.1;

%net.trainParam.goal=0.00001;

%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=an;

error=test_simu-output_test;

%% 结果分析

figure,

plot(test_simu,':og')%预测值

hold on

plot(output_test,'-*');%实际值

error=test_simu-output_test;

plot(error,'-r');

legend('预测输出','期望输出','BP网络预测误差')

title('BP网络预测输出','fontsize',12)

ylabel('函数输出','fontsize',12)

xlabel('样本','fontsize',12)

%预测误差

figure,

plot((output_test-test_simu)./test_simu,'-*');

title('神经网络预测误差百分比')

disp '误差累积和'

errorsum=sum(abs(error))