% 程序一:GA训练BP权值的主函数
function net=GABPNET(XX,YY)
%--------------------------------------------------------------------------
% GABPNET.m
% 使用遗传算法对BP网络权值阈值进行优化,再用BP算法训练网络
%--------------------------------------------------------------------------
%数据归一化预处理
nntwarn off
p=[
80 12 8.0 1.05 0 3 ;
80 16 10.0 0.70 0 3 ;
90 8 8.0 0.70 0 3 ;
90 12 10.0 1.40 0 3 ;
90 16 6.0 1.05 0 3 ;
100 8 10.0 1.05 0 3 ;
100 12 6.0 0.70 0 3 ;
80 8 6.0 1.40 54 3 ;
80 12 8.0 1.05 54 3 ;
80 16 10.0 0.70 54 3 ;
90 12 10.0 1.40 54 3 ;
90 16 6.0 1.05 54 3 ;
100 12 6.0 0.70 54 3 ;
100 16 8.0 1.40 54 3 ;
80 8 6.0 1.40 0 0 ;
80 12 8.0 1.05 0 0 ;
80 16 10.0 0.70 0 0 ;
90 8 8.0 0.70 0 0 ;
100 8 10.0 1.05 0 0 ;
100 12 6.0 0.70 0 0 ;
100 16 8.0 1.40 0 0 ;
100 8 20.0 1.40 54 3 ;
100 8 12.5 1.40 54 3 ;
100 8 10.0 1.40 54 3 ;
100 8 6.0 1.40 54 3 ;
60 8 10.0 1.40 54 3 ;
70 8 10.0 1.40 54 3 ;
90 8 10.0 1.40 54 3 ;
100 8 10.0 1.40 54 3 ;
100 8 10.0 1.40 33 3 ;
100 8 10.0 1.40 40 3 ;
100 8 10.0 1.40 48 3 ;
100 8 10.0 1.40 54 3 ;
80 8 6.0 1.40 0 3 ;
100 16 8.0 1.40 0 3 ;
90 8 8.0 0.70 54 3 ;
100 8 10.0 1.05 54 3 ;
90 12 10.0 1.40 0 0 ;
90 16 6.0 1.05 0 0 ;
100 8 10.0 1.40 16 3 ;
100 8 8.0 1.40 54 3 ;
80 8 10.0 1.40 54 3 ;
]';
for i=1:6
p(i,:)= (p(i,:)-mean(p(i,:)))/std(p(i,:));
end
p1=p(:,1:33);
p_test=p(:,34:42);
t1=[
0.2491 ;
0.3600 ;
0.4110 ;
0.2953 ;
0.4061 ;
0.4224 ;
0.3920 ;
0.4784 ;
0.6081 ;
0.5438 ;
0.5481 ;
0.6396 ;
0.6492 ;
0.7724 ;
0.0929 ;
0.1638 ;
0.2390 ;
0.1406 ;
0.3080 ;
0.2766 ;
0.4398 ;
0.9010 ;
0.8390 ;
0.7750 ;
0.5300 ;
0.4607 ;
0.5300 ;
0.6204 ;
0.7720 ;
0.5780 ;
0.6870 ;
0.7750 ;
0.7830 ;
]';
t_test=[
0.2672 ;
0.5967 ;
0.6204 ;
0.6779 ;
0.1627 ;
0.3047 ;
0.5000 ;
0.5779 ;
0.5881 ;
]';
%输入向量
%创建网络
net=newff(minmax(p1),[8,1],{'tansig','logsig'},'trainlm');
%下面使用遗传算法对网络进行优化
P=p1;
T=t1;
[R,Q]=size(P);
[S2,Q]=size(T);
S1=8;%隐含层节点数
S=R*S1+S1*S2+S1+S2; % 遗传算法编码长度
aa=ones(S,1)*[-1,1];
popu=50;%种群规模
initPop=initializega(popu,aa,'mygabpEval');%初始化种群
gen=100;%遗传代数
%下面调用gaot工具箱,其中目标函数定义为gabpEval
[x,endPop,bPop,trace]=ga(aa,'mygabpEval',[],initPop,[1e-6 1 1],'maxGenTerm',gen,...
'normGeomSelect',[0.09],['arithXover'],[2],'nonUnifMutation',[2 gen 3]);
%绘收敛曲线图
figure(1)
plot(trace(:,1),1./trace(:,3),'r-');
hold on
plot(trace(:,1),1./trace(:,2),'b-');
xlabel('Generation');
ylabel('Sum-Squared Error');
figure(2)
plot(trace(:,1),trace(:,3),'r-');
hold on
plot(trace(:,1),trace(:,2),'b-');
xlabel('Generation');
ylabel('Fittness');
%下面将初步得到的权值矩阵赋给尚未开始训练的BP网络
[W1,B1,W2,B2,P,T,A1,A2,SE,val]=mygadecod(x);
net.LW{2,1}=W1;
net.LW{3,2}=W2;
%设置训练参数
net.trainParam.show=10;
net.trainParam.lr=0.06;
net.trainParam.epochs=500;
net.trainParam.goal=0.00000001;
%训练网络
% 程序二:适应值函数
function [sol, val] = mygabpEval(sol,options)
% val - the fittness of this individual
% sol - the individual, returned to allow for Lamarckian evolution
% options - [current_generation]
nntwarn off
p=[
80 12 8.0 1.05 0 3 ;
80 16 10.0 0.70 0 3 ;
90 8 8.0 0.70 0 3 ;
90 12 10.0 1.40 0 3 ;
90 16 6.0 1.05 0 3 ;
100 8 10.0 1.05 0 3 ;
100 12 6.0 0.70 0 3 ;
80 8 6.0 1.40 54 3 ;
80 12 8.0 1.05 54 3 ;
80 16 10.0 0.70 54 3 ;
90 12 10.0 1.40 54 3 ;
90 16 6.0 1.05 54 3 ;
100 12 6.0 0.70 54 3 ;
100 16 8.0 1.40 54 3 ;
80 8 6.0 1.40 0 0 ;
80 12 8.0 1.05 0 0 ;
80 16 10.0 0.70 0 0 ;
90 8 8.0 0.70 0 0 ;
100 8 10.0 1.05 0 0 ;
100 12 6.0 0.70 0 0 ;
100 16 8.0 1.40 0 0 ;
100 8 20.0 1.40 54 3 ;
100 8 12.5 1.40 54 3 ;
100 8 10.0 1.40 54 3 ;
100 8 6.0 1.40 54 3 ;
60 8 10.0 1.40 54 3 ;
70 8 10.0 1.40 54 3 ;
90 8 10.0 1.40 54 3 ;
100 8 10.0 1.40 54 3 ;
100 8 10.0 1.40 33 3 ;
100 8 10.0 1.40 40 3 ;
100 8 10.0 1.40 48 3 ;
100 8 10.0 1.40 54 3 ;
80 8 6.0 1.40 0 3 ;
100 16 8.0 1.40 0 3 ;
90 8 8.0 0.70 54 3 ;
100 8 10.0 1.05 54 3 ;
90 12 10.0 1.40 0 0 ;
90 16 6.0 1.05 0 0 ;
100 8 10.0 1.40 16 3 ;
100 8 8.0 1.40 54 3 ;
80 8 10.0 1.40 54 3 ;
]';
for i=1:6
p(i,:)= (p(i,:)-mean(p(i,:)))/std(p(i,:));
end
p1=p(:,1:33);
p_test=p(:,34:42);
t1=[
0.2491 ;
0.3600 ;
0.4110 ;
0.2953 ;
0.4061 ;
0.4224 ;
0.3920 ;
0.4784 ;
0.6081 ;
0.5438 ;
0.5481 ;
0.6396 ;
0.6492 ;
0.7724 ;
0.0929 ;
0.1638 ;
0.2390 ;
0.1406 ;
0.3080 ;
0.2766 ;
0.4398 ;
0.9010 ;
0.8390 ;
0.7750 ;
0.5300 ;
0.4607 ;
0.5300 ;
0.6204 ;
0.7720 ;
0.5780 ;
0.6870 ;
0.7750 ;
0.7830 ;
]';
t_test=[
0.2672 ;
0.5967 ;
0.6204 ;
0.6779 ;
0.1627 ;
0.3047 ;
0.5000 ;
0.5779 ;
0.5881 ;
]';
P=p1;
T=t1;
[R,Q]=size(P);
[S2,Q]=size(T);
S1=8;%隐含层节点数
S=R*S1+S1*S2+S1+S2;%遗传算法编码长度
for i=1:S,
x(i)=sol(i);
end;
[W1, B1, W2, B2, P, T, A1, A2, SE, val]=mygadecod(x);
% 程序三:编解码函数
function [W1, B1, W2, B2, P, T, A1, A2, SE, val]=mygadecod(x)
nntwarn off
p=[
80 12 8.0 1.05 0 3 ;
80 16 10.0 0.70 0 3 ;
90 8 8.0 0.70 0 3 ;
90 12 10.0 1.40 0 3 ;
90 16 6.0 1.05 0 3 ;
100 8 10.0 1.05 0 3 ;
100 12 6.0 0.70 0 3 ;
80 8 6.0 1.40 54 3 ;
80 12 8.0 1.05 54 3 ;
80 16 10.0 0.70 54 3 ;
90 12 10.0 1.40 54 3 ;
90 16 6.0 1.05 54 3 ;
100 12 6.0 0.70 54 3 ;
100 16 8.0 1.40 54 3 ;
80 8 6.0 1.40 0 0 ;
80 12 8.0 1.05 0 0 ;
80 16 10.0 0.70 0 0 ;
90 8 8.0 0.70 0 0 ;
100 8 10.0 1.05 0 0 ;
100 12 6.0 0.70 0 0 ;
100 16 8.0 1.40 0 0 ;
100 8 20.0 1.40 54 3 ;
100 8 12.5 1.40 54 3 ;
100 8 10.0 1.40 54 3 ;
100 8 6.0 1.40 54 3 ;
60 8 10.0 1.40 54 3 ;
70 8 10.0 1.40 54 3 ;
90 8 10.0 1.40 54 3 ;
100 8 10.0 1.40 54 3 ;
100 8 10.0 1.40 33 3 ;
100 8 10.0 1.40 40 3 ;
100 8 10.0 1.40 48 3 ;
100 8 10.0 1.40 54 3 ;
80 8 6.0 1.40 0 3 ;
100 16 8.0 1.40 0 3 ;
90 8 8.0 0.70 54 3 ;
100 8 10.0 1.05 54 3 ;
90 12 10.0 1.40 0 0 ;
90 16 6.0 1.05 0 0 ;
100 8 10.0 1.40 16 3 ;
100 8 8.0 1.40 54 3 ;
80 8 10.0 1.40 54 3 ;
]';
for i=1:6
p(i,:)= (p(i,:)-mean(p(i,:)))/std(p(i,:));
end
p1=p(:,1:33);
p_test=p(:,34:42);
t1=[
0.2491 ;
0.3600 ;
0.4110 ;
0.2953 ;
0.4061 ;
0.4224 ;
0.3920 ;
0.4784 ;
0.6081 ;
0.5438 ;
0.5481 ;
0.6396 ;
0.6492 ;
0.7724 ;
0.0929 ;
0.1638 ;
0.2390 ;
0.1406 ;
0.3080 ;
0.2766 ;
0.4398 ;
0.9010 ;
0.8390 ;
0.7750 ;
0.5300 ;
0.4607 ;
0.5300 ;
0.6204 ;
0.7720 ;
0.5780 ;
0.6870 ;
0.7750 ;
0.7830 ;
]';
t_test=[
0.2672 ;
0.5967 ;
0.6204 ;
0.6779 ;
0.1627 ;
0.3047 ;
0.5000 ;
0.5779 ;
0.5881 ;
]';
P=p1;
T=t1;
[R,Q]=size(P);
[S2,Q]=size(T);
S1=8;%隐含层节点数
S=R*S1+S1*S2+S1+S2;%遗传算法编码长度
% 前R*S1个编码为W1
for i=1:S1,
for k=1:R,
W1(i,k)=x(R*(i-1)+k);
end
end
% 接着的S1*S2个编码(即第R*S1个后的编码)为W2
for i=1:S2,
for k=1:S1,
W2(i,k)=x(S1*(i-1)+k+R*S1);
end
end
% 接着的S1个编码(即第R*S1+S1*S2个后的编码)为B1
for i=1:S1,
B1(i,1)=x((R*S1+S1*S2)+i);
end
% 接着的S2个编码(即第R*S1+S1*S2+S1个后的编码)为B2
for i=1:S2,
B2(i,1)=x((R*S1+S1*S2+S1)+i);
end
% 计算S1与S2层的输出
A1=tansig(W1*P,B1);
A2=logsig(W2*A1,B2);
% 计算误差平方和
SE=sumsqr(T-A2);
val=1/SE; % 遗传算法的适应值
本人依照网上的一个程序,自己编写了一个,但是运行时老是出现Error using ==> network.subsasgn
net.LW{2,1} must be a 1-by-8 matrix.
Error in ==> GABPNET at 147
net.LW{2,1}=W1;
恳请各位高手指点一下,不胜感激。
[本帖最后由 mooni 于 2009-5-9 09:57 编辑]