CODE:

%清空环境变量

clc

clear

%%样本输入

input_train=xlsread('50组输入样本_训练.xlsx');

output_train=xlsread('50组期望输出_训练.xlsx');

input_test=xlsread('10组输入样本_检验.xlsx');

output_test=xlsread('10组期望输出_检验.xlsx');

P=input_train;

T=output_train;

inputnum=size(P,1);

outputnum=size(T,1);

hiddennum=9;

%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

net=newff(inputn,outputn,hiddennum);

%% 遗传算法参数初始化

maxgen=30;                         %进化代数，即迭代次数

sizepop=20;                        %种群规模

pcross=0.3;                        %交叉概率选择，0和1之间

pmutation=0.05;                    %变异概率选择，0和1之间

%节点总数

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

lenchrom=ones(1,numsum);

bound=[-1*ones(numsum,1) 1*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

x=individuals.chrom(i,;

%计算染色体的适应度

individuals.fitness(i)=fun(x,inputnum,hiddennum,outputnum,net,inputn,outputn);    【47行】

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);

% 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,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;

%记录每一代进化中最好的适应度和平均适应度

avgfitness=sum(individuals.fitness)/sizepop;

trace=[trace;avgfitness bestfitness];

end

%% 遗传算法结果分析

%figure(3)

%[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: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);

%% BP网络训练

%网络进化参数

net.trainParam.epochs=100;

net.trainParam.lr=0.01;

net.trainParam.goal=0.00001;

net.trainParam.showWindow=0;

%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);

error=test_simu-output_test;

%figure(4);

hold on;plot(1:30,error,'r');

legend('优化前的误差','优化后的误差','fontsize',12)