利用MATLAB实现遗传算法和MATLAB神经网络工具箱的使用.docx
- 文档编号:3810027
- 上传时间:2022-11-25
- 格式:DOCX
- 页数:10
- 大小:36.64KB
利用MATLAB实现遗传算法和MATLAB神经网络工具箱的使用.docx
《利用MATLAB实现遗传算法和MATLAB神经网络工具箱的使用.docx》由会员分享,可在线阅读,更多相关《利用MATLAB实现遗传算法和MATLAB神经网络工具箱的使用.docx(10页珍藏版)》请在冰豆网上搜索。
利用MATLAB实现遗传算法和MATLAB神经网络工具箱的使用
实验一利用MATLA实现遗传算法
一、实验目的
1、熟悉MATLA语言编程环境
2、掌握MATLA语言命令
3、学会利用MATLA编程实现遗传算法
二、实验原理
MATLA是美国MathWorks公司出品的商业数学软件,用于算法开发、数据可视化、数据分析以及数值计算的高级技术计算语言和交互式环境,MATLA可以进
行矩阵运算、绘制函数和数据、实现算法、创建用户界面、连接其他编程语言的程序等,主要应用于工程计算、控制设计等领域。
通过学习遗传算法原理,使用MATLA编写程序,实现其求解策略。
三、实验内容
通过MATLA编程,利用遗传算法求解:
f(x)200exp(0.05x)sin(x),求maxf(x),x[-2,2].
三、实验要求
1、程序设计
2、调试
3、实验结果
4、撰写实验报告
实验二MATLAB申经网络工具箱的使用
一、实验目的
1、掌握MATLA语言命令
2、提高MATLA程序设计能力
3、学会使用MATLA申经网络工具箱
二、实验原理
MATLA语言是MathWorks公司推出的一套高性能计算机编程语言,集数学计算、图形显示、语言设计于一体,其强大的扩展功能为用户提供了广阔的应用空间。
它附带有30多个工具箱,申经网络工具箱就是其中之一。
利用该工具箱可以方便的构建申经网络的结构模型、设计、训练等,实现申经网络算法。
三、实验内容
通过MATLA编程,利用神经网络工具箱预测公路运量:
公路运量主要包括公路客运量和公路货运量两个方面。
据研究,某地区的公路运量主要与该地区的人数、机动车数量和公路面积有关,上表给出了该地区20年的公路运量相关数据。
根据有关部门数据,该地区2010和2011年的人数分别为73.39和75.55万人,机动车数量分别为3.9635和4.0975万辆,公路面积分别为0.9880和1.0268万平方千米。
请利用BP网络预测该地区2010和2011年的公路客运量和公路货运量。
某地区20年公路运量数据
年份
人口数量
/
万人
机动车数量/万辆
公路面积/万平方千米
公路客运量/万人
公路货运量/万吨
1990
20.55
0.6
0.09
5126
1237
1991
22.44:
0.75
0.11
6217
1379—
1992
25.37
0.85
0.11
7730
1385
1993
27.131
0.90
0.14
9145
1399:
1994
29.45
1.05
0.20
10460
1663
1995
30.10
1.35
0.23
11387
1714
1996
30.96:
1.45
0.23
12353
18341
1997
34.06丁
1.60
0.32
15750
4322
1998
36.42
1.70
0.32
18304
8132
1999
38.09:
1.85
0.34
19836
8936:
2000
39.13
2.15
0.36
21024
11099
2001
39.99
2.20
0.36
19490
11203
2002
41.93:
2.25
0.38
20433
10524:
2003
44.59
2.35
0.49
22598
111151
2004
47.30
2.50
0.56
25107
13320
2005
52.89「
2.60
0.59
33442
16762「
2006
55.73
2.70
0.59
36836
18673
2007
56.76
2.85
0.67
40548
20724
2008
59.17「
2.95
0.69
42927
20803「
2009
60.63
3.10
0.79
43462
21804
三、实验要求
1、程序设计
2、调试
3、实验结果
4、撰写实验报告
运用遗传算法求解函数最大值:
所有的子程序为M文件
%子程序:
计算适应度函数,函数名称存储为fitnessfu.m
function[Fitvalue,sumsump]=fitnessfun(population);
globalBitLength
globalboundsbegin
globalboundsend
popsize=size(population,1);
fori=1:
popsize
x=transform2to10(population(i,:
));
xx=boundsbegin+x*(boundsend-boundsbegin)/(power((boundsend),BitLength)-1);Fitvalue(i)=targetfun(xx);
end
Fitvalue(i)=Fitvalue'+230;
fsum=sum(Fitvalue);
Pperpopulation=Fitvalue/fsum;cumsump
(1)=Pperpopulation
(1);
fori=2:
popsize
cumsump(i)=cumsumo(i-1)+Pperpopulation(i);
end
cumsump=cumsump';
%子程序:
新种群交叉操作,函数名称存储为crossover.m
functionscro=crossover(population,seln,pc)
BitLength=size(population,2);
pcc=IfCroIfMut(pc);
ifpcc==1
chb=round(rand*(BitLength-2))+1;scro(1,:
)=[population(seln
(1),1:
chb),population(seln
(2),chb+1:
BitLength)];
scro(2,:
)=[population(seln
(2),1:
chb),population(seln
(1),chb+1:
BitLength)];else
scro(1,:
)=population(seln
(1),:
);
scro(2,:
)=population(seln
(2),:
);
end
%子程序:
新种群变异操作,函数名称存储为mutation.m
functionsnnew=mutation(snew,pmutation);
BitLength=size(snew,2);
snnew=snew;
pmm=IfCroIfMut(pmutation);
ifpmm==1
chb=round(rand*(BitLlength-1))+1;
end
IfCroIfMut.m
%子程序:
判断遗传运算是否需要进行交叉或变异,函数名称存储为
functionpcc=IfCroIfMut(mutORcro);test(1:
100)=0;
1=round(100*mutORcro);test(1:
1)=1;n=round(rand*99)+1;pcc=test(n);
%子程序:
新种群选择操作,函数名称存储为selection.m
functionseln=selection(population,cumsump);
fori=1:
2
r=rand;
prand=cumsump-r;
j=1;
whlieprand(j)<0
j=j+1;
endseln(i)=j;end
%子程序:
将二进制数转换为十进制数,函数名称存储为transform2to10.m
functionx=transform2to10(Population);
BitLength=size(Population,2);x=Population(BitLength);fori=1:
BitLength-1
x=x+Population(BitLength-i)*power(2,i);
end
%子程序:
对于优化最大值或者极大值函数问题,目标函数可以作为适应度函数,%函数名称存储为targetfun.m
functiony=targetfun(x);y=200*exp(-0.05*x).*sin(x);
涯程序:
用遗传算法求解y=200*exp(-0.05*x).*sin(x)在[-22]区间上的最大值
clc;
clearall;
closeall;
globalBitLength
globalboundsbegin
globalboundsend
bounds=[-22];
precision=0.0001;
boundsbegin=bounds(:
1);boundsend=bounds(:
2);
BitLength=cell(log2((boundsend-boundsbegin)'./precision));
popsize=50;
Generationnmax=12;pcrossover=0.90;
pmutation=0.09;population=round(rand(popsize,BitLength));
[Fitvalue,cumsump]=fitnessfun(population);
cumsumpGeneration=1;
whileGeneration forj=1: 2: popsizeseln=selection(population,cumsump);scro=crossover(popuoation,seln,pcrossover); scnew(j,: )=scro(1,: );scnew(j+1,: )=scro(2,: ); smnew(j,: )=mutation(scnew(j,: ),pmutation);smnew(j+1,: )=mutation(scnew(j+1,: ),pmutation); end population=smnew;[Fitvalue,cumsump]=fitnessfun(population); [fmax,nmax]=max(Fitvalue);fmean=mean(Fitvalue); ymax(Generation)=fmax;ymean(Generation)=fmean; x=transform2to10(population(nmax,: ));xx=boundsbegin+x*(boundsend-boundsbegin)/(power((boundsend),BitLength)-1); xmax(Generation)=xx; Generation=Generation+1; end Generation=Generation-1; Bestpopulation=xx; Besttargetfunvalue=targetfun(xx); figure (1);hand1=plot(1: Generation,ymax);set(hand1,'linestyle','-','linewidth',1.8,'marker','*','markersize',6)holdon; hand2=polt(1: Generation,ymean);set(hand2,'color','linestyle','linewidth',1.8,'marker','h','mrkersize',6)xlabel; ylabel;xlim([1Generationnmax]); legend; boxoff;holdoff 附件二(参考程序) 利用神经网络工具箱预测公路运量: 为了了解利用BP网络求解问题的过程,把问题分为六个模块处理: 1.原始 数据的输入;2.数据归一化;3.网络训练;4.对原始数据进行仿真;5.将原始数据仿真的结果与已知样本进行对比;6.对新数据进行仿真。 clc%原始数据%人数(单位: 万人)sqrs=[20.5522.4425.3727.1329.453.1030.9634.0636.4238.0939.1339.9941.9344.5947.3052.8955.7356.7659.1760.63]; %机动车数(单位: 万辆)sqjdcs=[0.60.750.850.91.051.351.451.61.71.852.152.22.252.352.52.62.72.852.953.1]; %公路面积(单位: 万平方千米)sqglmj=[0.090.110.110.140.200.230.230.320.320.340.360.360.380.490.560.590.590.670.690.79]; %公路客运量(单位: 万人) glkyl=[512662177730914510460113871235315750183041983621024194902043322598251073344236836405484292743462]; %公路货运量(单位: 万吨) glhyl=[123713791385139916631714183443228132893611099112031052411115133201676218673207242080321804]; p=[sqrs;sqjdcs;sqglmj];%输入数据矩阵 t=[glkyl;glhyl];%目标数据矩阵 %利用函数premnmx对数据进行归一化 [pn,minp,maxp,tn,mint,maxt]=premnmx(p,t);%对于输入矩阵p和输出矩阵t进行归一化处理 归一化处理后最小值为-1,最 dx=[-1,1;-1,1;-1,1];%大值为1 %BF网络训练 次结果 net.trainParam.Lr=0.05; 为0.05 net.trainParam.epochs=5000; 5000次 net.trainParam.goal=0.65*10A(-3); 均方误差 net=train(net,pn,tn); 输出样本 %^J用原始数据对BP网络仿真 an=sim(net,pn); 仿真 a=postmnmx(an,mint,maxt); 建立模型, 轮回显示一学习速率最大训练轮回为 用训练好的模型进行 把仿真得到的数据还原为原始的数 量级 %本例因样本容量有限使用训练数据进行测试,通常必须用新鲜数据进行测试 x=1990: 2009; newk=a(1,: ); newh=a(2,: ); 绘制公 figure (2);subplot(2,1,1);plot(x,newk,'r-o',x,glkyl,'b--+');% 路客运量对比图 legend('网络输出客运量','实际客运量'); xlabel('年份');ylabel('客运量/万人'); 绘制公 title('运用工具箱客运量学习和测试对比图');subplot(2,1,2);plot(x,newh,'r-o',x,glhyl,'b--+');% 路货运量对比图 legend('网络输出货运量','实际货运量'); 利用训练好的网络进 xlabel('年份');ylabel('货运量/万吨'); title('运用工具箱货运量学习和测试对比图');% 行预测 %利用训练好的网络进行预测 殆用训练好的网络对新数据pnew进行预测时,也应做相应的处理 pnew=[73.3975.55 3.96354.0975 年和2011年的相关数 0.98801.0268];%2010 pnewn=tramnmx(pnew,minp,maxp);%利用原始输入数据的归一化参数对新数据进行归一化anewn=sim(net,pnewn);%利用归一化后的数据进行仿 真 把仿真得到的数据还原为原始的数量级 anew=postmnmx(anewn,mint,maxt) 1>□ V b电q劭倉老zi目“口 圧同工用枯壽话电■习忙网iX时氐用 RIEI 禅NHR出客诞■玉厅瞎匾・ i£fl■事R代需蜜对比囲 闵焙牺世謀咗社 Xl闌丄1邛IjM10.BIf-iukaJ>lf- : “J-7-一「,£』£ 精品资料
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 利用 MATLAB 实现 遗传 算法 神经网络 工具箱 使用