------------------------------------------------------------------------基于遺傳算法的BP神經網絡MATLAB代碼用遺傳算法優化BP神經網絡的Matlab編程實例（轉）由于BP網絡的權值優化是一個無約束優化問題，而且權值要采用實數編碼，所以直接利用Matlab遺傳算法工具箱。以下貼出的代碼是為一個19輸入變量，1個輸出變量情況下的非線性回歸而設計的，如果要應用于其它情況，只需改動編解碼函數即可。程序一：GA訓練BP權值的主函數

functionnet=GABPNET(XX,YY)%--------------------------------------------------------------------------%GABPNET.m%使用遺傳算法對BP網絡權值閾值進行優化，再用BP算法訓練網絡%--------------------------------------------------------------------------%數據歸一化預處理nntwarnoffXX=[1:19;2:20;3:21;4:22]';YY=[1:4];XX=premnmx(XX);YY=premnmx(YY);YY%創建網絡net=newff(minmax(XX),[19,25,1],{'tansig','tansig','purelin'},'trainlm');%下面使用遺傳算法對網絡進行優化P=XX;T=YY;R=size(P,1);S2=size(T,1);S1=25;%隱含層節點數S=R*S1+S1*S2+S1+S2;%遺傳算法編碼長度aa=ones(S,1)*[-1,1];popu=50;%種群規模savedata2XXYY%是將xx,yy二個變數的數值存入data2這個MAT-file，initPpp=initializega(popu,aa,'gabpEval');%初始化種群gen=100;%遺傳代數%下面調用gaot工具箱，其中目標函數定義為gabpEval[x,endPop,bPop,trace]=ga(aa,'gabpEval',[],initPpp,[1e-611],'maxGenTerm',gen,...'normGeomSelect',[0.09],['arithXover'],[2],'nonUnifMutation',[2gen3]);%繪收斂曲線圖figure(1)plot(trace(:,1),1./trace(:,3),'r-');holdonplot(trace(:,1),1./trace(:,2),'b-');xlabel('Generation');ylabel('Sum-SquaredError');figure(2)plot(trace(:,1),trace(:,3),'r-');holdonplot(trace(:,1),trace(:,2),'b-');xlabel('Generation');ylabel('Fittness');%下面將初步得到的權值矩陣賦給尚未開始訓練的BP網絡[W1,B1,W2,B2,P,T,A1,A2,SE,val]=gadecod(x);net.LW{2,1}=W1;net.LW{3,2}=W2;net.b{2,1}=B1;net.b{3,1}=B2;XX=P;YY=T;%設置訓練參數net.trainParam.show=1;net.trainParam.lr=1;net.trainParam.epochs=50;net.trainParam.goal=0.001;%訓練網絡net=train(net,XX,YY);

程序二：適應值函數

function[sol,val]=gabpEval(sol,options)

%val-thefittnessofthisindividual

%sol-theindividual,returnedtoallowforLamarckianevolution

%options-[current_generation]

loaddata2

nntwarnoff

XX=premnmx(XX);

YY=premnmx(YY);

P=XX;

T=YY;

R=size(P,1);

S2=size(T,1);

S1=25;%隱含層節點數

S=R*S1+S1*S2+S1+S2;%遺傳算法編碼長度

fori=1:S,

x(i)=sol(i);

end;

[W1,B1,W2,B2,P,T,A1,A2,SE,val]=gadecod(x);

程序三：編解碼函數

function[W1,B1,W2,B2,P,T,A1,A2,SE,val]=gadecod(x)

loaddata2

nntwarnoff

XX=premnmx(XX);

YY=premnmx(YY);

P=XX;

T=YY;

R=size(P,1);

S2=size(T,1);

S1=25;%隱含層節點數

S=R*S1+S1*S2+S1+S2;%遺傳算法編碼長度

%前R*S1個編碼為W1

fori=1:S1,

fork=1:R,

W1(i,k)=x(R*(i-1)+k);

end

end

%接著的S1*S2個編碼（即第R*S1個后的編碼）為W2

fori=1:S2,

fork=1:S1,

W2(i,k)=x(S1*(i-1)+k+R*S1);

end

end

%接著的S1個編碼（即第R*S1+S1*S2個后的編碼）為B1

fori=1:S1,

B1(i,1)=x((R*S1+S1*S2)+i);

end

%接著的S2個編碼（即第R*S1+S1*S2+S1個后的編碼）為B2

fori=1:S2,

B2(i,1)=x((R*S1+S1*S2+S1)+i);

end

%計算S1與S2層的輸出

A1=tansi