基于遗传算法的BP神经网络
介绍:利用遗传算法并行地优化BP网络的权值和阈值,从而避免了BP网络在优化权值和阈值时陷入局部最优的缺点。
背景:此项目的背景为客运量和货运量的预测。
文件介绍
freightFlow.xlsx
: 货运量数据集,前7列为影响货运量的因素,第8列为货运量;passengerFlow.xlsx
: 客运量数据集,前7列为影响货运量的因素,第8列为客运量;Data.mat
:这是一个结构体,成员P为从客运量数据集,成员F为货运量数据集;- 其他为源文件。
函数概述
mainFun()
:主函数,完成训练和预测;normInit()
:数据获取,存入结构体Data.mat;gadecod()
:对输入的染色体编码,编码方式一般有两种,实数编码和二进制编码(此项目中对应的为实数编码,所以编码后的值即为解码后的值);getBPinfo()
:获取BP网络的基本信息;gabpEval()
:计算适应度。
GAOT使用说明
因为项目中用到了GAOT工具包中的函数,所以需要将GAOT工具包加入路径。
操作步骤为:
- 点击GAOT文件;
- 添加到路径;
- 选定文件夹和子文件夹。
这样,工程中就可以调用GAOT工具包中的函数了。
初始种群的生成
[pop]=initializega(num,bounds,eevalFN,eevalOps,options)
- 【输出参数】
pop:生成的初始种群
- 【输入参数】
num:种群中的个体数目
bounds:代表变量的上下界的矩阵
eevalFN:适应度函数
eevalOps:传递给适应度函数的参数
options:选择编码形式(浮点编码或是二进制编码)[precision F_or_B]
precision:变量进行二进制编码时指定的精度
F_or_B:为1时选择浮点编码,否则为二进制编码,由precision指定精度)
遗传算法函数
[x,endPop,bPop,traceInfo]=ga(bounds,evalFN,evalOps,startPop,opts,termFN,termOps,selectFN,selectOps,xOverFNs,xOverOps,mutFNs,mutOps)
【输出参数】
x--求得的最优解
endPop--最终得到的种群
bPop--最优种群的一个搜索轨迹
traceInfo--每一代的最好的适应度和平均适应度
【输入参数】
bounds--代表变量上下界的矩阵
evalFN--适应度函数
evalOps--传递给适应度函数的参数
startPop--初始种群
opts[epsilonprob_opsdisplay]--opts(1:2)等同于initializega的options参数,第三个参数控制是否输出,一般为0。如[1e-610]
termFN--终止函数的名称,如['maxGenTerm']
termOps--传递个终止函数的参数,如[100]
selectFN--选择函数的名称,如['normGeomSelect']
selectOps--传递个选择函数的参数,如[0.08]
xOverFNs--交叉函数名称表,以空格分开,如['arithXoverheuristicXoversimpleXover']
xOverOps--传递给交叉函数的参数表,如[20;23;20]
mutFNs--变异函数表,如['boundaryMutationmultiNonUnifMutationnonUnifMutationunifMutation']
mutOps--传递给交叉函数的参数表,如[400;61003;41003;400]
© 版权声明
文章版权归作者所有,未经允许请勿转载。
THE END
暂无评论内容