【Matlab】基于遗传算法优化 BP 神经网络的数据回归预测（Excel可直接替换数据）
- 1.模型原理
- 2.文件结构
- 3.Excel数据
- 4.分块代码
- 4.1 arithXover.m
- 4.2 delta.m
- 4.3 ga.m
- 4.4 gabpEval.m
- 4.5 initializega.m
- 4.6 maxGenTerm.m
- 4.7 nonUnifMutation.m
- 4.8 normGeomSelect.m
- 4.9 parse.m
- 4.10 gadecod.m
- 4.11 main.m
- 5.运行结果
1.模型原理
遗传算法（Genetic Algorithm，GA）是一种基于生物进化理论的优化算法，用于解决搜索和优化问题。BP神经网络（Backpropagation Neural Network，BPNN）是一种常用的人工神经网络，用于数据回归（Data Regression）任务。将遗传算法与BP神经网络相结合，可以用来优化BP神经网络的参数，以获得更好的数据回归结果。
-
定义问题：
首先，我们需要明确定义数据回归的目标函数。在数据回归问题中，我们通常使用均方误差（Mean Squared Error，MSE）作为目标函数，表示实际输出值与BP神经网络预测输出值之间的差距。 -
BP神经网络结构：
定义BP神经网络的结构，包括输入层、隐藏层（可以有多层），以及输出层。每个层都由一组神经元组成，每个神经元都有权重和偏置需要优化。 -
遗传算法编码：
将BP神经网络的参数（权重和偏置）编码成遗传算法的个体（染色体）。一种常用的编码方式是将参数展开成一个长向量，将这个向量作为染色体。 -
初始种群：
随机生成一组初始个体，构成初始种群。每个个体都表示一个BP神经网络的参数设置。 -
适应度函数：
设计适应度函数，用于评估每个个体的优劣程度。在数据回归问题中，适应度函数可以是目标函数（如MSE）的倒数，因为我们希望最小化目标函数，而遗传算法追求最大化适应度。 -
选择：
根据个体的适应度，选择一部分个体作为“父代”，用于产生下一代个体。 -
交叉（Crossover）：
对选出的父代个体进行交叉操作，生成新的个体。交叉操作通过模拟生物学中的基因交换过程，将两个个体的染色体部分进行交换，产生新的个体。 -
变异（Mutation）：
对新生成的个体进行变异操作，以增加种群的多样性。变异操作通过随机改变某些染色体的基因值，引入新的解。 -
生成下一代种群：
将交叉和变异得到的新个体与上一代的个体结合，形成下一代种群。 -
终止条件：
根据预定的终止条件（如迭代次数、达到某个适应度阈值等），判断是否结束优化过程。 -
解码：
将优化后的染色体解码，得到BP神经网络的新参数。 -
更新BP神经网络参数：
将解码得到的新参数应用于BP神经网络，更新其权重和偏置。 -
重复迭代：
重复进行步骤5到步骤12，直到满足终止条件为止。每次迭代，种群中的个体会不断进化，逐渐优化BP神经网络的参数，使得其在数据回归任务中表现更好。
通过这样的过程，遗传算法能够寻找到BP神经网络的更优参数组合，从而提高BP神经网络在数据回归问题上的性能。需要注意的是，遗传算法优化过程中的参数设置（如交叉率、变异率等）对优化结果也有一定影响，需要根据具体问题进行调整。
-
定义问题：
假设我们有一个数据集 { ( x 1 , y 1 ) , ( x 2 , y 2 ) , … , ( x n , y n ) } \{(x_1, y_1), (x_2, y_2), \ldots, (x_n, y_n)\} {(x1,y1),(x2,y2),…,(xn,yn)}，其中 x i x_i xi 是输入样本， y i y_i yi 是对应的目标值（实际输出）。 -
BP神经网络结构：
假设BP神经网络有L层，第l层有 n l n_l nl 个神经元。 w i j ( l ) w_{ij}^{(l)} wij(l) 表示第l-1层第i个神经元到第l层第j个神经元之间的连接权重， b i ( l ) b_i^{(l)} bi(l) 表示第l层第i个神经元的偏置。神经网络的输入是 x i x_i xi，第l层第i个神经元的输出（经过激活函数后的值）为 a i ( l ) a_i^{(l)} ai(l)。 -
目标函数：
我们使用均方误差（Mean Squared Error，MSE）作为BP神经网络的目标函数，用于衡量实际输出值与神经网络预测输出值之间的差距。MSE可以定义为：MSE = 1 n ∑ i = 1 n ( y i − y ^ i ) 2 \text{MSE} = \frac{1}{n} \sum_{i=1}^{n} (y_i - \hat{y}_i)^2 MSE=n1i=1∑n(yi−y^i)2
其中， n n n是数据样本数量， y i y_i yi是第i个样本的实际输出， y ^ i \hat{y}_i y^i是BP神经网络在输入 x i x_i xi 上的预测输出。
-
遗传算法编码：
我们将BP神经网络的所有参数（权重和偏置）编码成一个染色体，通常用一个长向量来表示。染色体可以表示为：染色体 = [ w 11 ( 1 ) , w 12 ( 1 ) , … , w n 1 ( 1 ) ( 1 ) , w 11 ( 2 ) , w 12 ( 2 ) , … , w n L − 1 ( L ) ( L ) , b 1 ( 1 ) , b 2 ( 1 ) , … , b n 1 ( L ) ( L ) ] \text{染色体} = [w_{11}^{(1)}, w_{12}^{(1)}, \ldots, w_{n_1^{(1)}}^{(1)}, w_{11}^{(2)}, w_{12}^{(2)}, \ldots, w_{n_{L-1}^{(L)}}^{(L)}, b_1^{(1)}, b_2^{(1)}, \ldots, b_{n_1^{(L)}}^{(L)}] 染色体=[w11(1),w12(1),…,wn1(1)(1),w11(2),w12(2),…,wnL−1(L)(L),b1(1),b2(1),…,bn1(L)(L)]
其中， w i j ( l ) w_{ij}^{(l)} wij(l) 表示第l-1层第i个神经元到第l层第j个神经元之间的连接权重， b i ( l ) b_i^{(l)} bi(l) 表示第l层第i个神经元的偏置。
-
适应度函数：
在数据回归问题中，适应度函数可以定义为目标函数MSE的倒数（加上一个常数，以避免除以0）：适应度 = 1 MSE + ϵ \text{适应度} = \frac{1}{\text{MSE} + \epsilon} 适应度=MSE+ϵ1
其中， ϵ \epsilon ϵ 是一个小的常数，用于避免分母为0的情况。
-
选择：
采用基于适应度函数的选择策略，选择适应度较高的个体作为“父代”，用于产生下一代个体。 -
交叉（Crossover）：
对选出的父代个体进行交叉操作，通过模拟基因交换过程，生成新的个体。假设选中的两个父代个体分别为个体A和个体B，交叉操作可以通过如下方式进行：子代个体 = [ A [ 1 : k ] , B [ k + 1 : e n d ] ] \text{子代个体} = [A[1:k], B[k+1:end]] 子代个体=[A[1:k],B[k+1:end]]
其中， A [ 1 : k ] A[1:k] A[1:k] 表示个体A的前k个基因， B [ k + 1 : e n d ] B[k+1:end] B[k+1:end] 表示个体B的第k+1个基因到最后一个基因。
-
变异（Mutation）：
对交叉得到的子代个体进行变异操作，通过随机改变染色体中的某些基因值来引入新的解。变异操作可以用如下方式实现：子代个体 [ i ] = 子代个体 [ i ] + 随机增量 \text{子代个体}[i] = \text{子代个体}[i] + \text{随机增量} 子代个体[i]=子代个体[i]+随机增量
其中， 子代个体 [ i ] \text{子代个体}[i] 子代个体[i] 表示子代个体中的第i个基因， 随机增量 \text{随机增量} 随机增量 是一个随机数，用于在某个范围内调整基因的值。
-
生成下一代种群：
将交叉和变异得到的子代个体与上一代的个体结合，形成下一代种群。 -
终止条件：
根据预定的终止条件（如迭代次数、达到某个适应度阈值等），判断是否结束优化过程。 -
解码：
将优化后的染色体解码，得到BP神经网络的新参数。 -
更新BP神经网络参数：
将解码得到的新参数应用于BP神经网络，更新其权重和偏置。 -
重复迭代：
重复进行步骤5到步骤12，直到满足终止条件为止。
2.文件结构
goatarithXover.mdelta.mga.mgabpEval.minitializega.mmaxGenTerm.mnonUnifMutation.mnormGeomSelect.mparse.m
gadecod.m
main.m % 主函数
数据集.xlsx % 可替换数据集
3.Excel数据
4.分块代码
4.1 arithXover.m
function [C1, C2] = arithXover(P1, P2, ~, ~)
%% Arith 交叉采用两个父节点 P1、P2 并沿两个父节点形成的线执行插值。
% P1 - the first parent ( [solution string function value] )
% P2 - the second parent ( [solution string function value] )
% bounds - the bounds matrix for the solution space
% Ops - Options matrix for arith crossover [gen #ArithXovers]%% 选择一个随机的混合量
a = rand;%% 创建子代
C1 = P1 * a + P2 * (1 - a);
C2 = P1 * (1 - a) + P2 * a;
4.2 delta.m
function change = delta(ct, mt, y, b)% delta 函数是非均匀突变使用的非均匀分布。
% 此函数根据当前发电量、最大发电量和可能的偏差量返回变化。
%
% ct - current generation
% mt - maximum generation
% y - maximum amount of change, i.e. distance from parameter value to bounds
% b - shape parameter%%
r = ct / mt;
if(r > 1)r = 0.99;
end
change = y * (rand * (1 - r)) ^ b;
4.3 ga.m
function [x, endPop, bPop, traceInfo] = ga(bounds, evalFN, evalOps, startPop, opts, ...
termFN, termOps, selectFN, selectOps, xOverFNs, xOverOps, mutFNs, mutOps)% Output Arguments:
% x - the best solution found during the course of the run
% endPop - the final population
% bPop - a trace of the best population
% traceInfo - a matrix of best and means of the ga for each generation
%
% Input Arguments:
% bounds - a matrix of upper and lower bounds on the variables
% evalFN - the name of the evaluation .m function
% evalOps - options to pass to the evaluation function ([NULL])
% startPop - a matrix of solutions that can be initialized
% from initialize.m
% opts - [epsilon prob_ops display] change required to consider two
% solutions different, prob_ops 0 if you want to apply the
% genetic operators probabilisticly to each solution, 1 if
% you are supplying a deterministic number of operator
% applications and display is 1 to output progress 0 for
% quiet. ([1e-6 1 0])
% termFN - name of the .m termination function (['maxGenTerm'])
% termOps - options string to be passed to the termination function
% ([100]).
% selectFN - name of the .m selection function (['normGeomSelect'])
% selectOpts - options string to be passed to select after
% select(pop,#,opts) ([0.08])
% xOverFNS - a string containing blank seperated names of Xover.m
% files (['arithXover heuristicXover simpleXover'])
% xOverOps - A matrix of options to pass to Xover.m files with the
% first column being the number of that xOver to perform
% similiarly for mutation ([2 0;2 3;2 0])
% mutFNs - a string containing blank seperated names of mutation.m
% files (['boundaryMutation multiNonUnifMutation ...
% nonUnifMutation unifMutation'])
% mutOps - A matrix of options to pass to Xover.m files with the
% first column being the number of that xOver to perform
% similiarly for mutation ([4 0 0;6 100 3;4 100 3;4 0 0])%% 初始化参数
n = nargin;
if n < 2 || n == 6 || n == 10 || n == 12disp('Insufficient arguements')
end% 默认评估选项
if n < 3 evalOps = [];
end% 默认参数
if n < 5opts = [1e-6, 1, 0];
end% 默认参数
if isempty(opts)opts = [1e-6, 1, 0];
end%% 判断是否为m文件
if any(evalFN < 48)% 浮点数编码 if opts(2) == 1e1str = ['x=c1; c1(xZomeLength)=', evalFN ';']; e2str = ['x=c2; c2(xZomeLength)=', evalFN ';']; % 二进制编码elsee1str = ['x=b2f(endPop(j,:),bounds,bits); endPop(j,xZomeLength)=', evalFN ';'];end
else% 浮点数编码if opts(2) == 1e1str = ['[c1 c1(xZomeLength)]=' evalFN '(c1,[gen evalOps]);']; e2str = ['[c2 c2(xZomeLength)]=' evalFN '(c2,[gen evalOps]);'];% 二进制编码elsee1str=['x=b2f(endPop(j,:),bounds,bits);[x v]=' evalFN ...'(x,[gen evalOps]); endPop(j,:)=[f2b(x,bounds,bits) v];']; end
end%% 默认终止信息
if n < 6termOps = 100;termFN = 'maxGenTerm';
end%% 默认变异信息
if n < 12% 浮点数编码if opts(2) == 1mutFNs = 'boundaryMutation multiNonUnifMutation nonUnifMutation unifMutation';mutOps = [4, 0, 0; 6, termOps(1), 3; 4, termOps(1), 3;4, 0, 0];% 二进制编码elsemutFNs = 'binaryMutation';mutOps = 0.05;end
end%% 默认交叉信息
if n < 10% 浮点数编码if opts(2) == 1xOverFNs = 'arithXover heuristicXover simpleXover';xOverOps = [2, 0; 2, 3; 2, 0];% 二进制编码elsexOverFNs = 'simpleXover';xOverOps = 0.6;end
end%% 仅默认选择选项，即轮盘赌。
if n < 9selectOps = [];
end%% 默认选择信息
if n < 8selectFN = 'normGeomSelect';selectOps = 0.08;
end%% 默认终止信息
if n < 6termOps = 100;termFN = 'maxGenTerm';
end%% 没有定的初始种群
if n < 4startPop = [];
end%% 随机生成种群
if isempty(startPop)startPop = initializega(80, bounds, evalFN, evalOps, opts(1: 2));
end%% 二进制编码
if opts(2) == 0bits = calcbits(bounds, opts(1));
end%% 参数设置
xOverFNs = parse(xOverFNs);
mutFNs = parse(mutFNs);
xZomeLength = size(startPop, 2); % xzome 的长度
numVar = xZomeLength - 1; % 变量数
popSize = size(startPop,1); % 种群人口个数
endPop = zeros(popSize, xZomeLength); % 第二种群矩阵
numXOvers = size(xOverFNs, 1); % Number of Crossover operators
numMuts = size(mutFNs, 1); % Number of Mutation operators
epsilon = opts(1); % Threshold for two fittness to differ
oval = max(startPop(:, xZomeLength)); % Best value in start pop
bFoundIn = 1; % Number of times best has changed
done = 0; % Done with simulated evolution
gen = 1; % Current Generation Number
collectTrace = (nargout > 3); % Should we collect info every gen
floatGA = opts(2) == 1; % Probabilistic application of ops
display = opts(3); % Display progress %% 精英模型
while(~done)[bval, bindx] = max(startPop(:, xZomeLength)); % Best of current popbest = startPop(bindx, :);if collectTracetraceInfo(gen, 1) = gen; % current generationtraceInfo(gen, 2) = startPop(bindx, xZomeLength); % Best fittnesstraceInfo(gen, 3) = mean(startPop(:, xZomeLength)); % Avg fittnesstraceInfo(gen, 4) = std(startPop(:, xZomeLength)); end%% 最佳解if ( (abs(bval - oval) > epsilon) || (gen==1))% 更新显示if displayfprintf(1, '\n%d %f\n', gen, bval); end% 更新种群矩阵if floatGAbPop(bFoundIn, :) = [gen, startPop(bindx, :)]; elsebPop(bFoundIn, :) = [gen, b2f(startPop(bindx, 1 : numVar), bounds, bits)...startPop(bindx, xZomeLength)];endbFoundIn = bFoundIn + 1; % Update number of changesoval = bval; % Update the best valelseif displayfprintf(1,'%d ',gen); % Otherwise just update num genendend
%% 选择种群endPop = feval(selectFN, startPop, [gen, selectOps]);% 以参数为操作数的模型运行if floatGAfor i = 1 : numXOversfor j = 1 : xOverOps(i, 1)a = round(rand * (popSize - 1) + 1); % Pick a parentb = round(rand * (popSize - 1) + 1); % Pick another parentxN = deblank(xOverFNs(i, :)); % Get the name of crossover function[c1, c2] = feval(xN, endPop(a, :), endPop(b, :), bounds, [gen, xOverOps(i, :)]);% Make sure we created a new if c1(1 : numVar) == endPop(a, (1 : numVar)) c1(xZomeLength) = endPop(a, xZomeLength);elseif c1(1:numVar) == endPop(b, (1 : numVar))c1(xZomeLength) = endPop(b, xZomeLength);elseeval(e1str);endif c2(1 : numVar) == endPop(a, (1 : numVar))c2(xZomeLength) = endPop(a, xZomeLength);elseif c2(1 : numVar) == endPop(b, (1 : numVar))c2(xZomeLength) = endPop(b, xZomeLength);elseeval(e2str);endendPop(a, :) = c1;endPop(b, :) = c2;endendfor i = 1 : numMutsfor j = 1 : mutOps(i, 1)a = round(rand * (popSize - 1) + 1);c1 = feval(deblank(mutFNs(i, :)), endPop(a, :), bounds, [gen, mutOps(i, :)]);if c1(1 : numVar) == endPop(a, (1 : numVar)) c1(xZomeLength) = endPop(a, xZomeLength);elseeval(e1str);endendPop(a, :) = c1;endend%% 运行遗传算子的概率模型else for i = 1 : numXOversxN = deblank(xOverFNs(i, :));cp = find((rand(popSize, 1) < xOverOps(i, 1)) == 1);if rem(size(cp, 1), 2) cp = cp(1 : (size(cp, 1) - 1)); endcp = reshape(cp, size(cp, 1) / 2, 2);for j = 1 : size(cp, 1)a = cp(j, 1); b = cp(j, 2); [endPop(a, :), endPop(b, :)] = feval(xN, endPop(a, :), endPop(b, :), ...bounds, [gen, xOverOps(i, :)]);endendfor i = 1 : numMutsmN = deblank(mutFNs(i, :));for j = 1 : popSizeendPop(j, :) = feval(mN, endPop(j, :), bounds, [gen, mutOps(i, :)]);eval(e1str);endendend% 更新记录gen = gen + 1;done = feval(termFN, [gen, termOps], bPop, endPop); % See if the ga is donestartPop = endPop; % Swap the populations[~, bindx] = min(startPop(:, xZomeLength)); % Keep the best solutionstartPop(bindx, :) = best; % replace it with the worstend
[bval, bindx] = max(startPop(:, xZomeLength));%% 显示结果
if display fprintf(1, '\n%d %f\n', gen, bval);
end%% 二进制编码
x = startPop(bindx, :);
if opts(2) == 0x = b2f(x, bounds,bits);bPop(bFoundIn, :) = [gen, b2f(startPop(bindx, 1 : numVar), bounds, bits)...startPop(bindx, xZomeLength)];
elsebPop(bFoundIn, :) = [gen, startPop(bindx, :)];
end%% 赋值
if collectTracetraceInfo(gen, 1) = gen; % 当前迭代次数traceInfo(gen, 2) = startPop(bindx, xZomeLength); % 最佳适应度traceInfo(gen, 3) = mean(startPop(:, xZomeLength)); % 平均适应度
end
4.4 gabpEval.m
function [sol, val] = gabpEval(sol, ~)%% 解码适应度值
val = gadecod(sol);
4.5 initializega.m
function pop = initializega(num, bounds, evalFN, evalOps, options)%% 种群初始化
% initializega creates a matrix of random numbers with
% a number of rows equal to the populationSize and a number
% columns equal to the number of rows in bounds plus 1 for
% the f(x) value which is found by applying the evalFN.
% This is used by the ga to create the population if it
% is not supplied.
%
% pop - the initial, evaluated, random population
% populatoinSize - the size of the population, i.e. the number to create
% variableBounds - a matrix which contains the bounds of each variable, i.e.
% [var1_high var1_low; var2_high var2_low; ....]
% evalFN - the evaluation fn, usually the name of the .m file for
% evaluation
% evalOps - any options to be passed to the eval function defaults []
% options - options to the initialize function, ie.
% [type prec] where eps is the epsilon value
% and the second option is 1 for float and 0 for binary,
% prec is the precision of the variables defaults [1e-6 1]%% 参数初始化
if nargin < 5options = [1e-6, 1];
end
if nargin < 4evalOps = [];
end%% 编码方式
if any(evalFN < 48) % M文件if options(2) == 1 % 浮点数编码estr = ['x=pop(i,1); pop(i,xZomeLength)=', evalFN ';']; else % 二进制编码estr = ['x=b2f(pop(i,:),bounds,bits); pop(i,xZomeLength)=', evalFN ';']; end
else % 非M文件if options(2) == 1 % 浮点数编码estr = ['[ pop(i,:) pop(i,xZomeLength)]=' evalFN '(pop(i,:),[0 evalOps]);']; else % 二进制编码estr = ['x=b2f(pop(i,:),bounds,bits);[x v]=' evalFN ...'(x,[0 evalOps]); pop(i,:)=[f2b(x,bounds,bits) v];']; end
end%% 参数设置
numVars = size(bounds, 1); % 变量数
rng = (bounds(:, 2) - bounds(:, 1))'; % 可变范围%% 编码方式
if options(2) == 1 % 二进制编码xZomeLength = numVars + 1; % 字符串的长度是 numVar + fitpop = zeros(num, xZomeLength); % 分配新种群pop(:, 1 : numVars) = (ones(num, 1) * rng) .* (rand(num, numVars)) + ...(ones(num, 1) * bounds(:, 1)');
else % 浮点数编码bits = calcbits(bounds, options(1));pop = round(rand(num, sum(bits) + 1));
end%% 运行文件
for i = 1 : numeval(estr);
end4.6 maxGenTerm.m
function done = maxGenTerm(ops, ~, ~)
% 返回 1，即当达到 maximal_generation 时终止 GA。
%
% ops - a vector of options [current_gen maximum_generation]
% bPop - a matrix of best solutions [generation_found solution_string]
% endPop - the current generation of solutions%%
currentGen = ops(1);
maxGen = ops(2);
done = currentGen >= maxGen;
4.7 nonUnifMutation.m
function parent = nonUnifMutation(parent, bounds, Ops)%% 非均匀突变基于非均匀概率分布改变父代的参数之一
% parent - the first parent ( [solution string function value] )
% bounds - the bounds matrix for the solution space
% Ops - Options for nonUnifMutate[gen #NonUnifMutations maxGen b]%% 相关参数设置
cg = Ops(1); % 当前这一代
mg = Ops(3); % 最大代数
bm = Ops(4); % 形状参数
numVar = size(parent, 2) - 1; % 获取变量个数
mPoint = round(rand * (numVar - 1)) + 1; % 选择一个变量从 1 到变量数随机变化
md = round(rand); % 选择突变方向
if md % 向上限突变newValue = parent(mPoint) + delta(cg, mg, bounds(mPoint, 2) - parent(mPoint), bm);
else % 向下限突变newValue = parent(mPoint) - delta(cg, mg, parent(mPoint) - bounds(mPoint, 1), bm);
end
parent(mPoint) = newValue; % 产生子代
4.8 normGeomSelect.m
function newPop = normGeomSelect(oldPop, options)% NormGeomSelect 是一个基于归一化几何分布的排序选择函数。% newPop - the new population selected from the oldPop
% oldPop - the current population
% options - options to normGeomSelect [gen probability_of_selecting_best]%% 交叉选择排序
q = options(2); % 选择最佳的概率
e = size(oldPop, 2); % xZome 的长度，即 numvars + fit
n = size(oldPop, 1); % 种群数目
newPop = zeros(n, e); % 为返回 pop 分配空间
fit = zeros(n, 1); % 为选择概率分配空间
x = zeros(n,2); % rank和id的排序列表
x(:, 1) = (n : -1 : 1)'; % 要知道它是什么元素
[~, x(:, 2)] = sort(oldPop(:, e)); % 排序后获取索引%% 相关参数
r = q / (1 - (1 - q) ^ n); % 归一化分布，q 素数
fit(x(:, 2)) = r * (1 - q) .^ (x(:, 1) - 1); % 生成选择概率
fit = cumsum(fit); % 计算累积概率%%
rNums = sort(rand(n, 1)); % 生成 n 个排序的随机数
fitIn = 1; % 初始化循环控制
newIn = 1; % 初始化循环控制
while newIn <= n % 获得 n 个新个体if(rNums(newIn) < fit(fitIn)) newPop(newIn, :) = oldPop(fitIn, :); % 选择 fitIn 个人newIn = newIn + 1; % 寻找下一个新人elsefitIn = fitIn + 1; % 着眼于下一个潜在选择end
end
4.9 parse.m
function x = parse(inStr)% parse 是一个函数，它接收一个由空格分隔的文本组成的字符串向量，
% 并将各个字符串项解析为一个 n 项矩阵，每个字符串一行。% x - the return matrix of strings
% inStr - the blank separated string vector%% 切割字符串
strLen = size(inStr, 2);
x = blanks(strLen);
wordCount = 1;
last = 0;
for i = 1 : strLenif inStr(i) == ' 'wordCount = wordCount + 1;x(wordCount, :) = blanks(strLen);last = i;elsex(wordCount, i - last) = inStr(i);end
end
4.10 gadecod.m
function [val, W1, B1, W2, B2] = gadecod(x)%% 读取主空间变量
S1 = evalin('base', 'S1'); % 读取隐藏层神经元个数
net = evalin('base', 'net'); % 读取网络参数
p_train = evalin('base', 'p_train'); % 读取输入数据
t_train = evalin('base', 't_train'); % 读取输出数据%% 参数初始化
R2 = size(p_train, 1); % 输入节点数
S2 = size(t_train, 1); % 输出节点数%% 输入权重编码
for i = 1 : S1for k = 1 : R2W1(i, k) = x(R2 * (i - 1) + k);end
end%% 输出权重编码
for i = 1 : S2for k = 1 : S1W2(i, k) = x(S1 * (i - 1) + k + R2 * S1);end
end%% 隐层偏置编码
for i = 1 : S1B1(i, 1) = x((R2 * S1 + S1 * S2) + i);
end%% 输出偏置编码
for i = 1 : S2B2(i, 1) = x((R2 * S1 + S1 * S2 + S1) + i);
end%% 赋值并计算
net.IW{1, 1} = W1;
net.LW{2, 1} = W2;
net.b{1} = B1;
net.b{2} = B2;%% 模型训练
net.trainParam.showWindow = 0; % 关闭训练窗口
net = train(net, p_train, t_train);%% 仿真测试
t_sim1 = sim(net, p_train);%% 计算适应度值
val = 1 ./ (sqrt(sum((t_sim1 - t_train).^2) ./ length(t_sim1)));4.11 main.m
%% 清空环境变量
warning off % 关闭报警信息
close all % 关闭开启的图窗
clear % 清空变量
clc % 清空命令行%% 导入数据
res = xlsread('数据集.xlsx');%% 添加路径
addpath('goat\')%% 划分训练集和测试集
temp = randperm(103);P_train = res(temp(1: 80), 1: 7)';
T_train = res(temp(1: 80), 8)';
M = size(P_train, 2);P_test = res(temp(81: end), 1: 7)';
T_test = res(temp(81: end), 8)';
N = size(P_test, 2);%% 数据归一化
[p_train, ps_input] = mapminmax(P_train, 0, 1);
p_test = mapminmax('apply', P_test, ps_input);[t_train, ps_output] = mapminmax(T_train, 0, 1);
t_test = mapminmax('apply', T_test, ps_output);%% 建立模型
S1 = 5; % 隐藏层节点个数
net = newff(p_train, t_train, S1);%% 设置参数
net.trainParam.epochs = 1000; % 最大迭代次数
net.trainParam.goal = 1e-6; % 设置误差阈值
net.trainParam.lr = 0.01; % 学习率%% 设置优化参数
gen = 50; % 遗传代数
pop_num = 5; % 种群规模
S = size(p_train, 1) * S1 + S1 * size(t_train, 1) + S1 + size(t_train, 1);% 优化参数个数
bounds = ones(S, 1) * [-1, 1]; % 优化变量边界%% 初始化种群
prec = [1e-6, 1]; % epslin 为1e-6, 实数编码
normGeomSelect = 0.09; % 选择函数的参数
arithXover = 2; % 交叉函数的参数
nonUnifMutation = [2 gen 3]; % 变异函数的参数initPpp = initializega(pop_num, bounds, 'gabpEval', [], prec); %% 优化算法
[Bestpop, endPop, bPop, trace] = ga(bounds, 'gabpEval', [], initPpp, [prec, 0], 'maxGenTerm', gen,...'normGeomSelect', normGeomSelect, 'arithXover', arithXover, ...'nonUnifMutation', nonUnifMutation);%% 获取最优参数
[val, W1, B1, W2, B2] = gadecod(Bestpop);%% 参数赋值
net.IW{1, 1} = W1;
net.LW{2, 1} = W2;
net.b{1} = B1;
net.b{2} = B2;%% 模型训练
net.trainParam.showWindow = 1; % 打开训练窗口
net = train(net, p_train, t_train); % 训练模型%% 仿真测试
t_sim1 = sim(net, p_train);
t_sim2 = sim(net, p_test );%% 数据反归一化
T_sim1 = mapminmax('reverse', t_sim1, ps_output);
T_sim2 = mapminmax('reverse', t_sim2, ps_output);%% 均方根误差
error1 = sqrt(sum((T_sim1 - T_train).^2) ./ M);
error2 = sqrt(sum((T_sim2 - T_test ).^2) ./ N);%% 优化迭代曲线
figure
plot(trace(:, 1), 1 ./ trace(:, 2), 'LineWidth', 1.5);
xlabel('迭代次数');
ylabel('适应度值');
string = {'适应度变化曲线'};
title(string)
grid on%% 绘图
figure
plot(1: M, T_train, 'r-*', 1: M, T_sim1, 'b-o', 'LineWidth', 1)
legend('真实值', '预测值')
xlabel('预测样本')
ylabel('预测结果')
string = {'训练集预测结果对比'; ['RMSE=' num2str(error1)]};
title(string)
xlim([1, M])
gridfigure
plot(1: N, T_test, 'r-*', 1: N, T_sim2, 'b-o', 'LineWidth', 1)
legend('真实值', '预测值')
xlabel('预测样本')
ylabel('预测结果')
string = {'测试集预测结果对比'; ['RMSE=' num2str(error2)]};
title(string)
xlim([1, N])
grid%% 相关指标计算
% R2
R1 = 1 - norm(T_train - T_sim1)^2 / norm(T_train - mean(T_train))^2;
R2 = 1 - norm(T_test - T_sim2)^2 / norm(T_test - mean(T_test ))^2;disp(['训练集数据的R2为：', num2str(R1)])
disp(['测试集数据的R2为：', num2str(R2)])% MAE
mae1 = sum(abs(T_sim1 - T_train)) ./ M ;
mae2 = sum(abs(T_sim2 - T_test )) ./ N ;disp(['训练集数据的MAE为：', num2str(mae1)])
disp(['测试集数据的MAE为：', num2str(mae2)])% MBE
mbe1 = sum(T_sim1 - T_train) ./ M ;
mbe2 = sum(T_sim2 - T_test ) ./ N ;disp(['训练集数据的MBE为：', num2str(mbe1)])
disp(['测试集数据的MBE为：', num2str(mbe2)])% RMSE
disp(['训练集数据的RMSE为：', num2str(error1)])
disp(['测试集数据的RMSE为：', num2str(error2)])%% 绘制散点图
sz = 25;
c = 'b';figure
scatter(T_train, T_sim1, sz, c)
hold on
plot(xlim, ylim, '--k')
xlabel('训练集真实值');
ylabel('训练集预测值');
xlim([min(T_train) max(T_train)])
ylim([min(T_sim1) max(T_sim1)])
title('训练集预测值 vs. 训练集真实值')figure
scatter(T_test, T_sim2, sz, c)
hold on
plot(xlim, ylim, '--k')
xlabel('测试集真实值');
ylabel('测试集预测值');
xlim([min(T_test) max(T_test)])
ylim([min(T_sim2) max(T_sim2)])
title('测试集预测值 vs. 测试集真实值')
5.运行结果
