GA-ELM（matlab源码）

遗传算法优化的ELM matlab源码 （亲测亲写）

clc
%% 不使用遗传算法
% 训练集
[PtraininFP] = mapminmax（P）;
Ptest = mapminmax（‘apply‘P_testinFP）;
% 测试集
[TtrainoutFP] = mapminmax（T）;
Ttest = mapminmax（‘apply‘T_testoutFP）;
%% ELM 训练
% 创建ELM网络
[IWBLWTFTYPE] = elmtrain2（PtrainTtrain30‘sig‘0）;
%% 测试网络
disp（[‘1、使用随机权值和阈值 ‘]）
disp（‘测试样本预测结果：‘）
% ELM仿真测试
T_test_sim1 = elmpredict（PtestIWBLWTFTYPE）;
T_train_sim1 = elmpredict（PIWBLWTFTYPE）;
% 反归一化
Y11 = mapminmax（‘reverse‘T_test_sim1outFP）;
% Y12 = mapminmax（‘reverse‘T_train_sim1outFP）;
err1=norm（Y11-T_test）;     %测试样本的仿真误差
% err11=norm（Y12-T）; %训练样本的仿真误差
disp（[‘测试样本的仿真误差:‘num2str（err1）]）
% disp（[‘训练样本的仿真误差:‘num2str（err11）]）


%% 使用遗传算法
%% 使用优化后的权值和阈值
nputnum=size（P1）;       % 输入层神经元个数 
outputnum=size（T1）;      % 输出层神经元个数
% 训练集归一化
[PtraininFP] = mapminmax（P）;
Ptest = mapminmax（‘apply‘P_testinFP）;
% 测试集归一化
[TtrainoutFP] = mapminmax（T）;
Ttest = mapminmax（‘apply‘T_testoutFP）;

%% elm初始权值和阈值
w1num=inputnum*hiddennum; % 输入层到隐层的权值个数
w1=bestX（1:w1num）;   %初始输入层到隐层的权值
B1=bestX（w1num+1:w1num+hiddennum）;  %初始隐层阈值
IW1=reshape（w1hiddennuminputnum）;
IB1=reshape（B1hiddennum1）;
%% 创建ELM网络
[LWTFTYPE] = elmtrain（PtrainTtrainhiddennum‘sig‘0IW1IB1）;
%% 测试网络
disp（[‘2、使用优化后的权值和阈值‘]）
disp（‘测试样本预测结果：‘）
% ELM仿真测试
T_test_sim2 = elmpredict（PtestIW1IB1LWTFTYPE）;
T_train_sim2 = elmpredict（PIW1IB1LWTFTYPE）;
% 反归一化
Y21 = mapminmax（‘reverse‘T_test_sim2outFP）; % 输出测试样本
% Y22 = mapminmax（‘reverse‘T_train_sim2outFP）; % 输出训练样本
err2=norm（Y21-T_test）;
% err21=norm（Y22-T）;
disp（[‘测试样本的仿真误差:‘num2str（err2）]）
% disp（[‘训练样本的仿真误差:‘num2str（err21）]）

%% 结果对比 分三个指标进行结果对比 
result = [T_test‘ Y21‘];
N = length（T_test）;
% 三大评价因子 ： 有效抛掷率   
% 有效抛掷率
rate0 = T_test（1:）;
rate1 = Y11（1:）;
rate2 = Y21（1:）;
% 松散系数
loose0 = T_test（2:）; 
loose1 = Y11（2:）;
loose2 = Y21（2:）;
% 安全距离
distance0 =  T_test（3:）;
distance1 = Y11（3:）;
distance2 = Y21（3:）;

% 均方误差  abs（参数1-参数2）.^2/样本数
Er1 = mse（rate1-rate0）; 
Er2 = mse（rate2-rate0）;

El1 = mse（loose1-loose0）; 
El2 = mse（loose2-loose0）;

Ed1 = mse（distance1-distance0）; 
Ed2 = mse（distance2-distance0）;

% 各评价因子 决定系数
Rr1=（N*sum（rate1.*rate0）-sum（rate1）*sum（rate0））^2/（（N*sum（（rate1）.^2）-（sum（rate1））^2）*（N*sum（（rate0）.^2）-（sum（rate0））^2））; 
Rr2=（N*sum（rate2.*rate0）-sum（rate2）*sum（rate0））^2/（（N*sum（（rate2）.^2）-（sum（rate2））^2）*（N*sum（（rate0）.^2）-（sum（rate0））^2））; 

Rl1=（N*sum（loose1.*loose0）-sum（loose1）*sum（loose0））^2/（（N*sum（（loose1）.^2）-（sum（loose1））^2）*（N*sum（（loose0）.^2）-（sum（loose0））^2））; 
Rl2=（N*sum（loose2.*loose0）-sum（loose2）*sum（loose0））^2/（（N*sum（（loose2）.^2）-（sum（loose2））^2）*（N*sum（（loose0）.^2）-（sum（loose0））^2））; 

Rd1=（N*sum（distance1.*distance0）-sum（distance1）*sum（distance0））^2/（（N*sum（（distance1）.^2）-（sum（distance1））^2）*（N*sum（（distance0）.^2）-（sum（distance0））^2））; 
Rd2=（N*sum（distance2.*distance0）-sum（distance2）*sum（distance0））^2/（（N*sum（（distance2）.^2）-（sum（distance2））^2）*（N*sum（（distance0）.^2）-（sum（distance0）

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     目录           0  2016-05-12 11:57  GA-ELM_2 v2.0\
     文件        6400  2016-04-25 00:27  GA-ELM_2 v2.0\callELMfun.m
     文件         806  2016-04-25 00:00  GA-ELM_2 v2.0\data.mat
     文件        1421  2016-04-24 19:13  GA-ELM_2 v2.0\ELMfun.m
     文件        1640  2016-04-09 17:56  GA-ELM_2 v2.0\elmpredict.m
     文件        2506  2016-04-24 10:10  GA-ELM_2 v2.0\elmtrain.m
     文件        2395  2016-04-09 17:48  GA-ELM_2 v2.0\elmtrain2.m
     文件        1094  2016-04-24 18:36  GA-ELM_2 v2.0\GAELMdata.mat
     文件        2566  2016-04-26 16:51  GA-ELM_2 v2.0\GAELMMain.m
     文件         447  2016-04-24 10:30  GA-ELM_2 v2.0\Objfun.m