基于遗传算法的BP神经网络优化算法

用遗传算法对BP神经网络进行优化，达到了减少BP神经网络算法前期盲目搜索的过程，使得算法更有目的性，最后达到的效果要比单独的BP算法要好

function err=Bpfun（xPThiddennumP_testT_test）
%% 训练&测试BP网络
%% 输入
% x：一个个体的初始权值和阈值
% P：训练样本输入
% T：训练样本输出
% hiddennum：隐含层神经元数
% P_test:测试样本输入
% T_test:测试样本期望输出
%% 输出
% err：预测样本的预测误差的范数

inputnum=size（P1）;       % 输入层神经元个数
outputnum=size（T1）;      % 输出层神经元个数
%% 新建BP网络
net=newff（minmax（P）[hiddennumoutputnum]{‘tansig‘‘logsig‘}‘trainlm‘）;
%% 设置网络参数：训练次数为1000，训练目标为0.01，学习速率为0.1
net.trainParam.epochs=1000;
net.trainParam.goal=0.01;
net.trainParam.lr = 0.1;
net.trainParam.show=NaN;
% net.trainParam.showwindow=false;  %高版MATLAB使用 不显示图形框
%% BP神经网络初始权值和阈值
w1num=inputnum*hiddennum; % 输入层到隐层的权值个数
w2num=outputnum*hiddennum;% 隐含层到输出层的权值个数
w1=x（1:w1num）;   %初始输入层到隐含层的权值
B1=x（w1num+1:w1num+hiddennum）;  %隐层神经元阈值
w2=x（w1num+hiddennum+1:w1num+hiddennum+w2num）; %初始隐层到输出层的权值
B2=x（w1num+hiddennum+w2num+1:w1num+hiddennum+w2num+outputnum）; %输出层阈值
net.iw{11}=reshape（w1hiddennuminputnum）;
net.lw{21}=reshape（w2outputnumhiddennum）;
net.b{1}=reshape（B1hiddennum1）;
net.b{2}=reshape（B2outputnum1）;
%% 训练网络
net=train（netPT）;
%% 测试网络
Y=sim（netP_test）;
err=norm（Y-T_test）;

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     目录           0  2018-01-02 21:38  chapter3\
     目录           0  2018-01-02 21:38  chapter3\R2009a\
     文件        1317  2015-06-30 11:33  chapter3\R2009a\Bpfun.m
     文件        2280  2015-06-29 15:38  chapter3\R2009a\GABPMain.m
     文件         404  2010-11-14 00:49  chapter3\R2009a\Objfun.m
     文件        1792  2015-06-30 11:34  chapter3\R2009a\callbackfun.m
     文件        1605  2015-06-14 11:09  chapter3\R2009a\data.mat
     目录           0  2018-01-02 21:38  chapter3\R2014a\
     文件        1342  2015-06-30 11:34  chapter3\R2014a\Bpfun.m
     文件        2280  2015-06-29 15:38  chapter3\R2014a\GABPMain.m
     文件         404  2010-11-14 00:49  chapter3\R2014a\Objfun.m
     文件        1815  2015-06-30 11:34  chapter3\R2014a\callbackfun.m
     文件        1605  2015-06-14 11:09  chapter3\R2014a\data.mat