上一篇博客介绍了BP-GA：BP神经网络遗传算法(BP-GA)函数极值寻优——非线性函数求极值，神经网络用的是BP神经网络，本篇博客将BP神经网络替换成GRNN神经网络（广义回归神经网络），希望能帮助大家快速入门GRNN网络。
文章目录
1.背景条件2.GRNN神经网络（广义回归神经网络）函数说明newgrnn
3.最优参数spread的确定4.完整代码data.mGRNN.mCode.mfun.mSelect.mCross.mtest.mMutation.mGenetic.m
5.代码使用说明上述代码运行顺序求最大值的方法
6.代码运行结果GRNN神经网络拟合遗传算法寻优
资源下载参考
1.背景条件
要求：对于未知模型（函数表达式未知）求解极值。 条件：已知模型的一些输入输出数据。
程序的示例是根据用神经网络遗传算法寻优非线性函数
y
=
x
1
2
+
x
2
2
y = x_1^2+x_2^2
y=x12+x22 的极值，输入参数有2个，输出参数有1个，易知函数有极小值0，极小值点为(0, 0)。已知的只有一些输入输出数据（用rand函数生成输入，然后代入表达式生成输出）：
for i=1:4000
input(i,:)=10*rand(1,2)-5;
output(i)=input(i,1)^2+input(i,2)^2;
end
2.GRNN神经网络（广义回归神经网络）函数说明
newgrnn
GRNN神经网络参数设置函数 函数形式：
net = newgrnn(P,T,spread)
P:输入数据矩阵。 T:输出数据矩阵。 spread：径向基函数的扩展速度。对GRNN网络来说，当确定了学习样本，则相应的网络结构和各神经元之间的连接权值也就确定出来，网络的训练实际上只是确定平滑参数的过程。GRNN网络中的即相当于径向基函数的分布密度SPREAD。一般情况下，SPREAD越大，逼近过程就越平滑，但误差也增大；SPREAD越小，函数逼近越精确，但逼近过程也越不平滑。
例如：
net=newgrnn(inputn,outputn,0.1)
GRNN神经网络和BP网络都可以用于预测，但对具体的网络训练来说，GRNN需要调整的参数较少，只有一个 spread 参数，因此可以更快地预测网络，具有较大的计算优势。
3.最优参数spread的确定
为了找到最优参数，可采用交叉验证的方法。
%% 清空环境变量
clc;
clear all
close all
nntwarn off;
%% 载入数据
load data;
%从1到4000间随机排序
k=rand(1,4000);
[m,n]=sort(k);
p_train=input(n(1:3900),:);
t_train=output(n(1:3900),:);
p_test=input(n(3901:4000),:);
t_test=output(n(3901:4000),:);
%% 交叉验证
desired_spread=[];
mse_max=10e20;
desired_input=[];
desired_output=[];
result_perfp=[];
indices = crossvalind('Kfold',length(p_train),4);
h=waitbar(0,'正在寻找最优化参数....')
k=1;
for i = 1:4
perfp=[];
disp(['以下为第',num2str(i),'次交叉验证结果'])
test = (indices == i); train = ~test;
p_cv_train=p_train(train,:);
t_cv_train=t_train(train,:);
p_cv_test=p_train(test,:);
t_cv_test=t_train(test,:);
p_cv_train=p_cv_train';
t_cv_train=t_cv_train';
p_cv_test= p_cv_test';
t_cv_test= t_cv_test';
[p_cv_train,minp,maxp,t_cv_train,mint,maxt]=premnmx(p_cv_train,t_cv_train);
p_cv_test=tramnmx(p_cv_test,minp,maxp);
for spread=0.1:0.1:2;
net=newgrnn(p_cv_train,t_cv_train,spread);
waitbar(k/80,h);
disp(['当前spread值为', num2str(spread)]);
test_Out=sim(net,p_cv_test);
test_Out=postmnmx(test_Out,mint,maxt);
error=t_cv_test-test_Out;
disp(['当前网络的mse为',num2str(mse(error))])
perfp=[perfp mse(error)];
if mse(error) mse_max=mse(error); desired_spread=spread; desired_input=p_cv_train; desired_output=t_cv_train; end k=k+1; end result_perfp(i,:)=perfp; end; close(h) disp(['最佳spread值为',num2str(desired_spread)]) disp(['此时最佳输入值为']) desired_input disp(['此时最佳输出值为']) desired_output %% 采用最佳方法建立GRNN网络 net=newgrnn(desired_input,desired_output,desired_spread); p_test=p_test'; p_test=tramnmx(p_test,minp,maxp); grnn_prediction_result=sim(net,p_test); grnn_prediction_result=postmnmx(grnn_prediction_result,mint,maxt); grnn_error=t_test-grnn_prediction_result'; grnn_error=t_test-grnn_prediction_result; disp('GRNN神经网络预测总误差为'); errorsum=sum(abs(grnn_error)) save best desired_input desired_output p_test t_test grnn_error mint maxt 运行之后得到： 最佳spread值为0.1 4.完整代码 data.m 用于生成神经网络拟合的原始数据。 for i=1:4000 input(i,:)=10*rand(1,2)-5; output(i)=input(i,1)^2+input(i,2)^2; end output=output'; save data input output GRNN.m 用函数输入输出数据训练GRNN神经网络，使训练后的网络能够拟合非线性函数输出，保存训练好的网络用于计算个体适应度值。根据非线性函数方程随机得到该函数的4000组输入输出数据，存储于data中，其中input为函数输入数据，output为函数对应输出数据，从中随机抽取3900组训练数据训练网络，100组测试数据测试网络拟合性能。最后保存训练好的网络。 %% 清空环境变量 clc; tic %% 载入数据 load data %从1到4000间随机排序 k=rand(1,4000); [m,n]=sort(k); %找出训练数据和预测数据 p_train=input(n(1:3900),:)'; t_train=output(n(1:3900),:)'; p_test=input(n(3901:4000),:)'; t_test=output(n(3901:4000),:)'; [inputn,inputps]=mapminmax(p_train); [outputn,outputps]=mapminmax(t_train); %% 建立GRNN网络并训练验证 net=newgrnn(inputn,outputn,0.1); % 建立网络，spread的值可由交叉验证方法得出 inputn_test=mapminmax('apply',p_test,inputps); % 归一化 grnn_prediction_result=sim(net,inputn_test); % 验证网络 grnn_prediction_result=mapminmax('reverse',grnn_prediction_result,outputps); % 反归一化 %% 性能评估 grnn_error=t_test-grnn_prediction_result; disp('GRNN神经网络预测总误差为'); errorsum=sum(abs(grnn_error)) figure(1); plot(grnn_prediction_result,':og'); hold on plot(t_test,'-*'); legend('Predictive output','Expected output','fontsize',10); title('GRNN network predictive output','fontsize',12); xlabel("samples",'fontsize',12); ylabel('THD','fontsize',12); figure(2); plot(grnn_error,'-*'); title('Neural network prediction error'); xlabel("samples",'fontsize',12); figure(3); plot(100*(t_test-grnn_prediction_result)./grnn_prediction_result,'-*'); title('Neural network prediction error percentage (%)'); xlabel("samples",'fontsize',12); toc save data net inputps outputps Code.m 编码成染色体。 function ret=Code(lenchrom,bound) %本函数将变量编码成染色体，用于随机初始化一个种群 % lenchrom input : 染色体长度 % bound input : 变量的取值范围 % ret output: 染色体的编码值 flag=0; while flag==0 pick=rand(1,length(lenchrom)); ret=bound(:,1)'+(bound(:,2)-bound(:,1))'.*pick; %线性插值，编码结果以实数向量存入ret中 flag=test(lenchrom,bound,ret); %检验染色体的可行性 end fun.m 把训练好的GRNN神经网络预测输出作为个体适应度值。 function fitness = fun(x) % 函数功能：计算该个体对应适应度值 % x input 个体 % fitness output 个体适应度值 % load data net inputps outputps %数据归一化 x=x'; inputn_test=mapminmax('apply',x,inputps); %网络预测输出 an=sim(net,inputn_test); %网络输出反归一化 fitness=mapminmax('reverse',an,outputps); 对于求极小值的函数，适应度可以设为GRNN网络预测结果，如果需要求极大值，可以对适应度取反。 Select.m 选择操作采用轮盘赌法从种群中选择适应度好的个体组成新种群。 function ret=select(individuals,sizepop) % 本函数对每一代种群中的染色体进行选择，以进行后面的交叉和变异 % individuals input : 种群信息 % sizepop input : 种群规模 % ret output : 经过选择后的种群 fitness1=1./individuals.fitness; sumfitness=sum(fitness1); sumf=fitness1./sumfitness; index=[]; for i=1:sizepop %转sizepop次轮盘 pick=rand; while pick==0 pick=rand; end for i=1:sizepop pick=pick-sumf(i); if pick<0 index=[index i]; break; %寻找落入的区间，此次转轮盘选中了染色体i，注意：在转sizepop次轮盘的过程中，有可能会重复选择某些染色体 end end end individuals.chrom=individuals.chrom(index,:); individuals.fitness=individuals.fitness(index); ret=individuals; Cross.m 交叉操作从种群中选择两个个体，按一定概率交叉得到新个体。 function ret=Cross(pcross,lenchrom,chrom,sizepop,bound) %本函数完成交叉操作 % pcorss input : 交叉概率 % lenchrom input : 染色体的长度 % chrom input : 染色体群 % sizepop input : 种群规模 % ret output : 交叉后的染色体 for i=1:sizepop %每一轮for循环中，可能会进行一次交叉操作，染色体是随机选择的，交叉位置也是随机选择的，%但该轮for循环中是否进行交叉操作则由交叉概率决定（continue控制） % 随机选择两个染色体进行交叉 pick=rand(1,2); while prod(pick)==0 pick=rand(1,2); end index=ceil(pick.*sizepop); % 交叉概率决定是否进行交叉 pick=rand; while pick==0 pick=rand; end if pick>pcross continue; end flag=0; while flag==0 % 随机选择交叉位 pick=rand; while pick==0 pick=rand; end pos=ceil(pick.*sum(lenchrom)); %随机选择进行交叉的位置，即选择第几个变量进行交叉，注意：两个染色体交叉的位置相同 pick=rand; %交叉开始 v1=chrom(index(1),pos); v2=chrom(index(2),pos); chrom(index(1),pos)=pick*v2+(1-pick)*v1; chrom(index(2),pos)=pick*v1+(1-pick)*v2; %交叉结束 flag1=test(lenchrom,bound,chrom(index(1),:)); %检验染色体1的可行性 flag2=test(lenchrom,bound,chrom(index(2),:)); %检验染色体2的可行性 if flag1*flag2==0 flag=0; else flag=1; end %如果两个染色体不是都可行，则重新交叉 end end ret=chrom; test.m 检验染色体的可行性。 function flag=test(lenchrom,bound,code) % lenchrom input : 染色体长度 % bound input : 变量的取值范围 % code output: 染色体的编码值 x=code; %先解码 flag=1; if (x(1) flag=0; end Mutation.m 变异操作从种群中随机选择一个个体，按一定概率变异得到新个体。 function ret=Mutation(pmutation,lenchrom,chrom,sizepop,pop,bound) % 本函数完成变异操作 % pcorss input : 变异概率 % lenchrom input : 染色体长度 % chrom input : 染色体群 % sizepop input : 种群规模 % opts input : 变异方法的选择 % pop input : 当前种群的进化代数和最大的进化代数信息 % ret output : 变异后的染色体 for i=1:sizepop %每一轮for循环中，可能会进行一次变异操作，染色体是随机选择的，变异位置也是随机选择的， %但该轮for循环中是否进行变异操作则由变异概率决定（continue控制） % 随机选择一个染色体进行变异 pick=rand; while pick==0 pick=rand; end index=ceil(pick*sizepop); % 变异概率决定该轮循环是否进行变异 pick=rand; if pick>pmutation continue; end flag=0; while flag==0 % 变异位置 pick=rand; while pick==0 pick=rand; end pos=ceil(pick*sum(lenchrom)); %随机选择了染色体变异的位置，即选择了第pos个变量进行变异 v=chrom(i,pos); v1=v-bound(pos,1); v2=bound(pos,2)-v; pick=rand; %变异开始 if pick>0.5 delta=v2*(1-pick^((1-pop(1)/pop(2))^2)); chrom(i,pos)=v+delta; else delta=v1*(1-pick^((1-pop(1)/pop(2))^2)); chrom(i,pos)=v-delta; end %变异结束 flag=test(lenchrom,bound,chrom(i,:)); %检验染色体的可行性 end end ret=chrom; Genetic.m %% 清空环境变量 clc % clear %% 初始化遗传算法参数 %初始化参数 maxgen=100; %进化代数，即迭代次数 sizepop=20; %种群规模 pcross=[0.4]; %交叉概率选择，0和1之间 pmutation=[0.2]; %变异概率选择，0和1之间 lenchrom=[1 1]; %每个变量的字串长度，如果是浮点变量，则长度都为1 bound=[-5 5;-5 5]; %数据范围 individuals=struct('fitness',zeros(1,sizepop), 'chrom',[]); %将种群信息定义为一个结构体 avgfitness=[]; %每一代种群的平均适应度 bestfitness=[]; %每一代种群的最佳适应度 bestchrom=[]; %适应度最好的染色体 %% 初始化种群计算适应度值 % 初始化种群 for i=1:sizepop %随机产生一个种群 individuals.chrom(i,:)=Code(lenchrom,bound); x=individuals.chrom(i,:); %计算适应度 individuals.fitness(i)=fun(x); %染色体的适应度 end %找最好的染色体 [bestfitness bestindex]=min(individuals.fitness); bestchrom=individuals.chrom(bestindex,:); %最好的染色体 avgfitness=sum(individuals.fitness)/sizepop; %染色体的平均适应度 % 记录每一代进化中最好的适应度和平均适应度 trace=[avgfitness bestfitness]; %% 迭代寻优 % 进化开始 for i=1:maxgen i % 选择 individuals=Select(individuals,sizepop); avgfitness=sum(individuals.fitness)/sizepop; % 交叉 individuals.chrom=Cross(pcross,lenchrom,individuals.chrom,sizepop,bound); % 变异 individuals.chrom=Mutation(pmutation,lenchrom,individuals.chrom,sizepop,[i maxgen],bound); % 计算适应度 for j=1:sizepop x=individuals.chrom(j,:); %解码 individuals.fitness(j)=fun(x); end %找到最小和最大适应度的染色体及它们在种群中的位置 [newbestfitness,newbestindex]=min(individuals.fitness); [worestfitness,worestindex]=max(individuals.fitness); % 代替上一次进化中最好的染色体 if bestfitness>newbestfitness bestfitness=newbestfitness; bestchrom=individuals.chrom(newbestindex,:); end individuals.chrom(worestindex,:)=bestchrom; individuals.fitness(worestindex)=bestfitness; avgfitness=sum(individuals.fitness)/sizepop; trace=[trace;avgfitness bestfitness]; %记录每一代进化中最好的适应度和平均适应度 end %进化结束 %% 结果分析 [r c]=size(trace); plot([1:r]',trace(:,2),'r-'); title('适应度曲线','fontsize',12); xlabel('进化代数','fontsize',12);ylabel('适应度','fontsize',12); disp('适应度 变量'); x=bestchrom; % 窗口显示 disp([bestfitness x]); 5.代码使用说明 上述代码运行顺序 data.m 生成数据（如果已有 input output 数据可跳过）， GRNN.m 进行GRNN神经网络训练及函数拟合， Genetic.m（主函数）利用遗传算法求极值。 求最大值的方法 上述代码用于求解最小值，对于求解最大值的需求，可以在适应度函数里面，对适应度计算结果求反，把求解最大值的问题转化为求解最小值的问题。 例如：对于非线性函数 y = − ( x 1 2 + x 2 2 ) + 4 y = -(x_1^2+x_2^2)+4 y=−(x12+x22)+4 ： for i=1:4000 input(i,:)=10*rand(1,2)-5; output(i)=-(input(i,1)^2+input(i,2)^2)+4; end 求最大值时，需要在 fun.m 里面，修改最后一行代码： fitness=-mapminmax('reverse',an,outputps); 最终运行找到的极值点为（0.4714， -0.0319），适应度为-3.7554，极值需要对适应度取反，为3.7554。 注意：每次运行结果不尽相同。 6.代码运行结果 对 y = x 1 2 + x 2 2 y = x_1^2+x_2^2 y=x12+x22 求极小值 GRNN神经网络拟合 运行GRNN.m之后： 输出： errorsum = 64.3379 历时 0.511482 秒。 注意：每次运行结果不尽相同。 遗传算法寻优 运行主函数 Genetic.m之后： 输出： ... i = 100 适应度 变量 0.3600 0.0066 0.0117 最终结果最优个体为（0.0066，0.0117），适应度为 0.3600。 注意：每次运行结果不尽相同。 资源下载 下载链接 参考 《MATLAB神经网络30个案例分析》 相关阅读
您阅读本篇文章共花了：
发表评论