遗传算法优化BP神经网络
2017-06-02 21:28
513 查看
遗传算法GA—模拟自然界遗传机制和生物进化论而成的一种并行随机搜索最优化方法。(具有“生存+检测”的迭代过程的搜索算法)基于自然界“优胜劣汰,适者生存”的生物进化原理引入优化参数形成的编码串联群体中,按照所选择的适应度函数并通过遗传中的选择、交叉和变异对个体进行筛选,使适应度值好的个体被保留,适应度差的个体被淘汰,新的群体既继承了上一代的信息,又优于上一代。反复循环,直至满足条件。
种群中的每个个体是问题的一个解,称为“染色体”,染色体是一串符号,如二进制字符串。利用“适值”(适应性函数)测量染色体的好坏。 遗传算法基本操作分为:
1.选择操作 :以一定概率选择旧群体个体到新群体中,个体被选中的概率跟适应度值有关个体适应度越好被选中改了吧越大。
2.交叉操作–信息交换思想选两个个体交换组合产生新的优秀个体,染色体位置互换。
3.变异操作—以一定的低概率发生,染色体位置产生变异(通常取值0.001-0.01之间)。 遗传算法是具有高效启发式搜索、并行计算等特点,应用于函数优化、组合优化及生产调度等方面。
算法基本要素: 1、染色体编码方法 。2、适应度函数。3、遗传操作(选择、交叉、变异) 。4、运行参数—(参数:群体大小M、遗传代数G、交叉概率Pc和变异概率Pm) 。
遗传算法优化BP,包括神经网络结构确定、遗传算法优化和BP神经网络预测3个部分。 其中、用遗传算法优化BP神经网络的初始权值和阈值,使优化后的BP神经网络能够更好的预测函数输出。 遗传算法优化BP神经网络的目的是通过遗传算法得到更好的网络初始权值和阈值,其基本思想就是用个体代表网络的初始权值和阈值、个体值初始化的BP神经网络的预测误差作为该个体的适应度值,通过选择、交叉、变异操作寻找最优个体,即最优的BP神经网络初始权值。
算法实现:遗传算法目的是优化BP神经网络的初始权值和阈值,使用优化后的网络更好的预测。之前已经说步骤下面就具体过程进行描述:
1、种群初始化
个体编码方法为实数编码,每隔个体均为一个实数串,由输入层和隐含层连接权值、隐含层阈值、隐含层与输出层连接权值以及输出层阈值4个部分组成。个体包含了神经网络全部的权值和阈值,在网路结构一直的情况下,就可以构成一个结构、权值、阈值确定的神经网络。
2、适应度函数
根据个体得到BP神经网络的初始权值和阈值,用训练数据训练BP神经网络后预测系统输出,把预测输出个期望的输出之间的误差绝对值和E作为个体适应度值F计算公式为
式中,n为网络输出节点数;yi为BP神经网络第i个节点的期望输出oi为第i个节点的实际输出;k为系数。
3、选择操作
遗传算法选择操作有轮盘赌法、锦标赛法等多种方法。选择轮盘赌法时,即基于适应度比例的选择策略,每个个体i的选择概率pi为:
式中,Fi为个体i的适应度值,由于适应度值越小越好,所以在个体选择前对适应度求倒数;k为系数;N为种群个体数目。
4、交叉操作
由于个体采用实数编码,所以交叉操作方法采用实数交叉法,第k个染色体ak和第l个染色体a_l在j为的交叉操作方法如下:
式中,b是[0,1]之间的随机数。
5、变异操作
选取第i个个体的第j个基因aij进行变异变异操作方法如下:
式中,amax为基因aij的上界;amin为基因的下界;
是一个随机数;g为当前迭代次数;Gmax是最大的进化次数;r为[0,1]间的随机数。(一下是代码实现种群规模10,进化次数50次交叉概率0.4变异概率0.2)
适应度函数:
种群中的每个个体是问题的一个解,称为“染色体”,染色体是一串符号,如二进制字符串。利用“适值”(适应性函数)测量染色体的好坏。 遗传算法基本操作分为:
1.选择操作 :以一定概率选择旧群体个体到新群体中,个体被选中的概率跟适应度值有关个体适应度越好被选中改了吧越大。
2.交叉操作–信息交换思想选两个个体交换组合产生新的优秀个体,染色体位置互换。
3.变异操作—以一定的低概率发生,染色体位置产生变异(通常取值0.001-0.01之间)。 遗传算法是具有高效启发式搜索、并行计算等特点,应用于函数优化、组合优化及生产调度等方面。
算法基本要素: 1、染色体编码方法 。2、适应度函数。3、遗传操作(选择、交叉、变异) 。4、运行参数—(参数:群体大小M、遗传代数G、交叉概率Pc和变异概率Pm) 。
遗传算法优化BP,包括神经网络结构确定、遗传算法优化和BP神经网络预测3个部分。 其中、用遗传算法优化BP神经网络的初始权值和阈值,使优化后的BP神经网络能够更好的预测函数输出。 遗传算法优化BP神经网络的目的是通过遗传算法得到更好的网络初始权值和阈值,其基本思想就是用个体代表网络的初始权值和阈值、个体值初始化的BP神经网络的预测误差作为该个体的适应度值,通过选择、交叉、变异操作寻找最优个体,即最优的BP神经网络初始权值。
算法实现:遗传算法目的是优化BP神经网络的初始权值和阈值,使用优化后的网络更好的预测。之前已经说步骤下面就具体过程进行描述:
1、种群初始化
个体编码方法为实数编码,每隔个体均为一个实数串,由输入层和隐含层连接权值、隐含层阈值、隐含层与输出层连接权值以及输出层阈值4个部分组成。个体包含了神经网络全部的权值和阈值,在网路结构一直的情况下,就可以构成一个结构、权值、阈值确定的神经网络。
2、适应度函数
根据个体得到BP神经网络的初始权值和阈值,用训练数据训练BP神经网络后预测系统输出,把预测输出个期望的输出之间的误差绝对值和E作为个体适应度值F计算公式为
式中,n为网络输出节点数;yi为BP神经网络第i个节点的期望输出oi为第i个节点的实际输出;k为系数。
3、选择操作
遗传算法选择操作有轮盘赌法、锦标赛法等多种方法。选择轮盘赌法时,即基于适应度比例的选择策略,每个个体i的选择概率pi为:
式中,Fi为个体i的适应度值,由于适应度值越小越好,所以在个体选择前对适应度求倒数;k为系数;N为种群个体数目。
4、交叉操作
由于个体采用实数编码,所以交叉操作方法采用实数交叉法,第k个染色体ak和第l个染色体a_l在j为的交叉操作方法如下:
式中,b是[0,1]之间的随机数。
5、变异操作
选取第i个个体的第j个基因aij进行变异变异操作方法如下:
式中,amax为基因aij的上界;amin为基因的下界;
是一个随机数;g为当前迭代次数;Gmax是最大的进化次数;r为[0,1]间的随机数。(一下是代码实现种群规模10,进化次数50次交叉概率0.4变异概率0.2)
适应度函数:
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}=B2; %网络训练 net=train(net,inputn,outputn); an=sim(net,inputn); error=sum(abs(an-outputn));选择操作函数
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 i=1:sizepop pick=pick-sumf(i); if pick<0 index=[index i]; 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;交叉操作:
function ret=Cross(pcross,lenchrom,chrom,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 % 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) % 随机选择两个染色体进行交叉 pick=rand(1,2); while prod(pick)==0 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 flag=0; while flag==0 % 随机选择交叉位 pick=rand; while pick==0 pick=rand; end pos=ceil(pick.*sum(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=chrom(index(1),pos); v2=chrom(index(2),pos); chrom(index(1),pos)=pick*v2+(1-pick)*v1; chrom(index(2),pos)=pick*v1+(1-pick)*v2; %交叉结束 flag1=test(lenchrom,bound,chrom(index(1),:)); %检验染色体1的可行性 flag2=test(lenchrom,bound,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=chrom;变异操作:
function ret=Mutation(pmutation,lenchrom,chrom,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 % chrom input : 染色体群 % 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=(rand*(1-num/maxgen))^2; if pick>0.5 chrom(i,pos)=chrom(i,pos)+(bound(pos,2)-chrom(i,pos))*fg; else chrom(i,pos)=chrom(i,pos)-(chrom(i,pos)-bound(pos,1))*fg; end %变异结束 flag=test(lenchrom,bound,chrom(i,:)); %检验染色体的可行性 end end ret=chrom;主函数:(步骤:1、随机初始化种群。2、计算种群适应度值从中找出最优个体。3、选择操作。4、交叉操作。5、变异操作。6、判断进化是否结束,否返回步骤2。input为输入数据,output为输出)
% 清空环境变量 clc clear % %% 网络结构建立 %读取数据 load data input output %节点个数 inputnum=2; hiddennum=5; outputnum=1; %训练数据和预测数据 input_train=input(1:1900,:)'; input_test=input(1901:2000,:)'; output_train=output(1:1900)'; output_test=output(1901:2000)'; %选连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=10; %进化代数,即迭代次数 sizepop=10; %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*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,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,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(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'); 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}=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=mapminmax('reverse',an,outputps); error=test_simu-output_test;
相关文章推荐
- 遗传算法优化BP神经网络续
- 遗传算法优化的BP神经网络建模
- 遗传算法优化BP神经网络
- 基于Matlab的遗传算法优化BP神经网络在非线性函数拟合中的应用
- 利用代间差分遗传算法优化分形图像编码速度
- Platt SMO 和遗传算法优化 SVM
- 遗传算法优化策略
- 利用遗传算法优化神经网络:Uber提出深度学习训练新方式
- 前沿 | 利用遗传算法优化神经网络:Uber提出深度学习训练新方式
- 群智能优化算法之遗传、粒子群、进化算法
- 遗传算法优化策略
- 遗传算法解决单变量函数值得优化问题
- 应用单亲遗传算法进行树状管网优化布置
- 遗传算法优化神经网络小车自动寻路走出迷宫(2) 神经网络与遗传算法应用
- 遗传算法优化神经网络小车自动寻路走出迷宫(3) 结果演示
- 多目标优化的遗传算法及其改进(浮点数编码),对多个函数进行测试
- 多目标遗传算法优化
- 海量数据库的查询优化及分页算法方案
- 马踏棋盘算法 贪心算法优化
- 优化算法——粒子群算法(PSO)