一、算法思想

1.1 BP神经网络

BP神经网络（Backpropagation Neural Network，反向传播神经网络）是一种监督学习的人工神经网络，用于模式识别、分类和回归问题。它是一种前馈神经网络，具有至少三层神经元：输入层、隐层（也可以有多个隐层）、输出层。BP神经网络通过训练来调整权值，以最小化预测输出与实际输出之间的误差。

以下是BP神经网络的主要特点和工作原理：

1. 前馈结构： BP神经网络是一种前馈结构，信息从输入层经过隐层传递到输出层，没有反馈循环。这意味着信号只沿一个方向传播，从输入到输出。
2. 权值调整： BP网络通过使用反向传播算法进行训练，该算法基于梯度下降。在训练过程中，网络通过比较实际输出和期望输出之间的误差，然后将误差通过网络反向传播，调整连接权重以减小误差。
3. 激活函数： 在隐层和输出层的神经元上使用激活函数，通常是S型函数（sigmoid）或双曲正切函数（tanh）。这些函数引入非线性性，使得神经网络能够学习非线性关系。
4. 误差反向传播： 训练过程中的核心是误差反向传播。它包括前向传播计算输出，计算误差，然后反向传播误差，更新权值。这个过程通过使用梯度下降法来最小化误差。
5. 目标函数： 在训练中，BP网络的目标是最小化损失函数，该函数通常是实际输出与期望输出之间差的平方和。
6. 局部最小值： BP网络存在陷入局部最小值的风险。为了减轻这个问题，通常采用一些启发式方法或训练多个网络的方法。

它的性能高度依赖于网络结构的选择、学习率的设置以及数据的质量。

传递函数：

训练函数：

训练函数	算法
'trainlm'	Levenberg-Marquardt
'trainbr'	贝叶斯正则化
'trainbfg'	BFGS 拟牛顿
'trainrp'	弹性反向传播
'trainscg'	量化共轭梯度
'traincgb'	带 Powell/Beale 重启的共轭梯度
'traincgf'	Fletcher-Powell 共轭梯度
'traincgp'	Polak-Ribiére 共轭梯度
'trainoss'	单步正割
'traingdx'	可变学习率梯度下降
'traingdm'	带动量的梯度下降
'traingd'	梯度下降

1.2 遗传算法

遗传算法（Genetic Algorithm，简称GA）是一种受到生物进化理论启发的优化算法，用于寻找复杂问题的最优解或近似最优解。遗传算法模拟了生物进化过程中的自然选择和遗传机制，通过群体中个体之间的遗传操作来搜索解空间。

以下是遗传算法的基本步骤和概念：

1. 初始化种群： 随机生成初始群体，每个个体都表示问题的一个潜在解。这些个体形成了种群。
2. 适应度评估： 对每个个体计算适应度，该适应度指标通常是问题特定的目标函数。适应度表示个体的优劣程度。
3. 选择： 根据适应度值进行选择，优秀的个体有更大的概率被选择用于交叉和变异。常用的选择方法包括轮盘赌选择、锦标赛选择等。
4. 交叉（交叉操作）： 从已选择的个体中选择一对或多对进行交叉，产生新的个体。交叉操作模拟了生物的基因重组过程。
5. 变异： 对一些个体进行变异操作，通过微小的改变来引入新的基因。变异操作增加了种群的多样性。
6. 新种群形成： 将经过选择、交叉和变异的个体形成新的种群。
7. 收敛检查： 检查是否满足停止条件，例如达到最大迭代次数或找到满足要求的解。
8. 重复： 如果停止条件未满足，重复从第2步到第7步，直到满足停止条件。

遗传算法的优点包括对复杂搜索空间的全局搜索能力、并行性和对非线性、非凸问题的适应性。然而，它们的性能高度依赖于参数的选择、问题的特性以及适应度函数的设计。

选择遗传算法的参数选择：

1. Generations（迭代次数）： 较大的迭代次数有助于算法更全面地搜索解空间，但也会增加计算成本。开始时，可以尝试较小的值，逐渐增加，观察算法的性能是否有所提升。在某些情况下，可能需要更多的迭代次数，特别是对于复杂的问题。
2. PopulationSize（种群大小）： 较大的种群通常能够提高搜索的广度，但也会增加计算成本。开始时，可以选择较小的种群大小，逐渐增加，以观察性能的变化。种群大小的选择通常取决于问题的复杂性。
3. CrossoverFraction（交叉概率）： 交叉概率决定了在每一代中进行交叉操作的个体比例。通常，较高的交叉概率能够促使种群更快地收敛，但可能会导致早熟收敛。建议从较小的值开始，逐渐增加，观察结果的变化。
4. MutationFcn（变异函数）和MutationRate（变异概率）： 变异概率影响了在每一代中进行变异操作的个体比例。不同的变异函数和概率适用于不同类型的问题。一般而言，较小的变异概率有助于保持种群的多样性。可以尝试不同的变异函数和概率，选择最适合问题的组合。
5. 其他参数： 有些遗传算法可能还包含其他参数，如选择算子的权重等。这些参数的选择通常需要根据具体问题和算法的实现来进行调整。

在调整参数时，建议使用一些评估指标来监测算法的性能，如适应度值的变化、收敛速度等。同时，可以使用交叉验证等方法来验证模型的泛化性能。最终的选择应该基于问题的性质和实验结果。

适应度函数是遗传算法中的关键组成部分，它用于评估每个个体（在这里是神经网络）在解决问题上的表现。适应度函数的设计直接影响着遗传算法的性能，因为遗传算法的目标是通过进化过程筛选和改进个体，使适应度更好的个体在种群中得以保留和传递。

在遗传算法优化BP神经网络的情境中，适应度函数通常是神经网络在训练集或验证集上的性能指标，可以是均方误差、交叉熵等。适应度函数的值越小，表示神经网络的性能越好。

1.3 遗传算法优化的BP神经网络

神经网络每次训练的初识权重和阈值是随机的，会影响网络输出的精度。所以先使用遗传算法确定出最优的初识权值和阈值。

二、代码解读

2.1 数据预处理

% 关闭所有图形窗口
close all;% 清除工作区所有变量
clear all;% 清空命令窗口
clc;% 从Excel文件读取数据
data = xlsread('data');% 数据标准化（可选）
% data = zscore(data);% 提取输入和输出数据
inputData = data(:, 2:4)';
outputData = data(:, 5:9)';% 划分数据集为训练集和测试集
trainRatio = 0.8; % 训练集比例
testRatio = 0.2;  % 测试集比例
[trainInd, testInd] = dividerand(size(inputData, 2), trainRatio, testRatio);trainInput = inputData(:, trainInd);
trainOutput = outputData(:, trainInd);testInput = inputData(:, testInd);
testOutput = outputData(:, testInd);

2.2 GABP

%% GA_BP
% 本部分代码演示了使用遗传算法优化BP神经网络的过程。% 创建神经网络
hiddenLayerSize = 10; % 隐层神经元的数量
net = feedforwardnet(hiddenLayerSize, 'trainFcn', 'traingda');% 手动设置传递函数
net.layers{1}.transferFcn = 'tansig';  % 设置隐层传递函数为双曲正切函数
net.layers{2}.transferFcn = 'purelin'; % 设置输出层传递函数为线性函数% 禁用训练时的图形界面
net.trainParam.showWindow = false;% 使用遗传算法确定初值权值和阈值，迭代次数20，种群数量10，交叉概率0.7，变异概率0.1
options = gaoptimset('Generations', 20, 'PopulationSize', 10, 'CrossoverFraction', 0.7, 'MutationFcn', {@mutationuniform, 0.1});% 定义适应度函数
fitnessFunction = @(params) neuralNetworkFitness(params, trainInput, trainOutput, testInput, testOutput, hiddenLayerSize);% 运行遗传算法
numParams = numel(net.IW{1}) + numel(net.LW{2,1}) + numel(net.b{1});
bestParams = ga(fitnessFunction, numParams, [], [], [], [], [], [], [], options);% 从遗传算法的结果中提取权值和阈值
net.IW{1} = reshape(bestParams(1:numel(net.IW{1})), size(net.IW{1}));
net.LW{2,1} = reshape(bestParams(numel(net.IW{1})+1:numel(net.IW{1})+numel(net.LW{2,1})), size(net.LW{2,1}));
net.b{1} = reshape(bestParams(numel(net.IW{1})+numel(net.LW{2,1})+1:end), size(net.b{1}));% 设置训练参数
net.trainParam.epochs = 1000; % 迭代次数
net.trainParam.lr = 0.01;    % 学习率% 训练神经网络
net = train(net, trainInput, trainOutput);% 使用训练后的神经网络进行预测
predictions = net(testInput);% 显示预测结果与实际输出的比较
figure;
plot(testOutput, '-o', 'DisplayName', '实际输出');
hold on;
plot(predictions, '-*', 'DisplayName', '预测输出');
legend('show');
xlabel('样本');
ylabel('输出值');
title('BP神经网络预测结果');
grid minor;% 定义适应度函数
function fitness = neuralNetworkFitness(params, trainInput, trainOutput, testInput, testOutput, hiddenLayerSize)% 创建神经网络net = feedforwardnet(hiddenLayerSize);% 禁用训练时的图形界面net.trainParam.showWindow = false;% 从参数中提取权值和阈值net.IW{1} = reshape(params(1:numel(net.IW{1})), size(net.IW{1}));net.LW{2,1} = reshape(params(numel(net.IW{1})+1:numel(net.IW{1})+numel(net.LW{2,1})), size(net.LW{2,1}));net.b{1} = reshape(params(numel(net.IW{1})+numel(net.LW{2,1})+1:end), size(net.b{1}));% 训练神经网络trainedNet = train(net, trainInput, trainOutput);% 使用训练后的神经网络进行预测predictions = trainedNet(testInput);% 计算预测结果与实际输出的适应度% 计算预测结果与实际输出之间的平方差，作为适应度的度量% 遗传算法的目标是最小化适应度值fitness = sum((predictions - testOutput).^2);fitness = sum(fitness);
end

2.3 部分函数说明

dividerand用于随机划分数据，可以方便地生成训练集和测试集，并且可以指定划分的比例。

dividerand 函数的基本用法和参数：

[trainInd, testInd] = dividerand(N, trainRatio, testRatio, valRatio)

• N： 数据集中样本的总数。
• trainRatio： 训练集占总样本数的比例。
• testRatio： 测试集占总样本数的比例。
• valRatio： 可选参数，用于指定验证集的比例。如果省略，则没有验证集。

返回值：

• trainInd： 训练集的索引。这是一个逻辑索引，对应于哪些样本被选为训练集。
• testInd： 测试集的索引。同样是逻辑索引，对应于哪些样本被选为测试集。

---

feedforwardnet 用于创建前馈神经网络（Feedforward Neural Network，FNN），也被称为多层感知机（Multilayer Perceptron，MLP）。前馈神经网络是一种常见的神经网络结构，具有输入层、若干隐层和输出层，信息从输入层经过隐层传递到输出层，不涉及循环连接。

feedforwardnet 函数的基本用法：

net = feedforwardnet(hiddenLayerSizes, trainFcn)

• hiddenLayerSizes： 一个包含每个隐层神经元数量的行向量。例如，[10 8] 表示两个隐层，第一个隐层有10个神经元，第二个隐层有8个神经元。可以省略该参数，默认为一个包含10个神经元的单隐层。
• trainFcn： 训练函数的名称，用于指定神经网络的训练算法。常见的训练函数包括 'trainlm'（Levenberg-Marquardt反向传播）、'traingd'（梯度下降法）等。

返回值：

• net： 创建的前馈神经网络对象。

使用示例：

hiddenLayerSizes = [10 5];  % 两个隐层，分别有10和5个神经元
trainFcn = 'trainlm';        % 使用Levenberg-Marquardt反向传播训练算法net = feedforwardnet(hiddenLayerSizes, trainFcn);

在上面的例子中，feedforwardnet 函数被用于创建一个具有两个隐层（分别有10和5个神经元）的前馈神经网络，使用 Levenberg-Marquardt 反向传播作为训练算法。创建后，可以通过 train 函数对该神经网络进行训练。

---

gaoptimset用于创建一个参数结构，该结构包含了遗传算法的各种设置，例如迭代次数、种群大小、交叉概率、变异概率等。

gaoptimset 函数的基本用法：

options = gaoptimset('ParameterName1', value1, 'ParameterName2', value2, ...)

其中，ParameterName 是需要设置的参数的名称，而 value 是对应的参数值。可以设置多个参数，每个参数都有默认值，可以根据需要进行自定义。

常见的参数包括：

• ‘Generations’： 指定遗传算法的迭代次数。
• ‘PopulationSize’： 指定种群的大小，即每一代中个体的数量。
• ‘CrossoverFraction’： 指定交叉概率，即每一对个体进行交叉的概率。
• ‘MutationFcn’： 指定变异函数，控制个体基因的变异。
• 其他参数：还有许多其他参数，可以根据具体需求设置。

返回值：

• options： 包含了设置好的参数的结构体，可用于传递给遗传算法函数。

使用示例：

options = gaoptimset('Generations', 50, 'PopulationSize', 20, 'CrossoverFraction', 0.7, 'MutationFcn', {@mutationuniform, 0.1});

在上面的例子中，gaoptimset 被用于创建一个参数结构，设置了遗传算法的迭代次数为50，种群大小为20，交叉概率为0.7，并指定了变异函数为均匀变异，变异概率为0.1。创建后的 options 结构可以传递给遗传算法函数，如 ga 函数。

---

numel 用于返回数组中元素的总数，即数组的元素个数。numel 的名称是 “number of elements” 的缩写。

---

ga 函数是用于执行遗传算法（Genetic Algorithm）的主要函数。遗传算法是一种启发式搜索算法，通过模拟自然选择、交叉和变异等生物进化过程，来寻找最优解或者逼近最优解。

基本语法如下：

[x, fval] = ga(fun, nvars)

其中，fun 是适应度函数，用于评估每个个体的适应度；nvars 是决策变量的个数。

除了上述基本语法，ga 函数还支持更多的输入参数，以定制遗传算法的行为。以下是一些常见的参数：

• lb： 决策变量的下界（lower bound），是一个包含每个决策变量下界的向量。
• ub： 决策变量的上界（upper bound），是一个包含每个决策变量上界的向量。
• Aineq, bineq： 不等式约束矩阵 Aineq 和向量 bineq。
• Aeq, beq： 等式约束矩阵 Aeq 和向量 beq。
• options： 一个包含自定义选项的结构体，可以通过 gaoptimset 函数创建。

返回值包括：

• x： 最优解（优化问题的决策变量）。
• fval： 最优解对应的适应度值。

使用示例：

fun = @(x) x^2;  % 适应度函数，例如最小化 x^2
nvars = 1;       % 决策变量的个数[x, fval] = ga(fun, nvars);
disp(x);
disp(fval);

在上面的例子中，ga 函数用于最小化适应度函数 fun，并返回最优解 x 和对应的适应度值 fval。

---

reshape 用于改变数组维度的函数。它允许你将一个数组重新组织成不同维度的数组，而不改变数组中的元素顺序。reshape 的基本语法如下：

B = reshape(A, sizeB)

其中，A 是要重新组织的数组，sizeB 是一个包含新数组维度的大小的向量。新数组 B 的元素顺序与原始数组 A 保持一致。

---

train 函数用于训练神经网络，而 net 函数用于创建神经网络对象：

train 函数用于训练神经网络。其基本语法如下：

net = train(net, inputs, targets)

• net： 被训练的神经网络对象。
• inputs： 输入样本矩阵，每一列代表一个样本。
• targets： 目标输出样本矩阵，每一列代表对应输入样本的目标输出。

train 函数通过对神经网络进行迭代学习，不断调整权重和阈值，以使网络的输出逼近目标输出。训练过程中可以设置多个参数，例如训练的最大迭代次数、学习率等。

net 函数用于创建神经网络对象。其基本语法如下：

net = net(hiddenLayerSize, trainFcn)

• hiddenLayerSize： 包含每个隐层神经元数量的行向量，用于定义神经网络的结构。
• trainFcn： 训练函数的名称，用于指定神经网络的训练算法。

创建神经网络对象后，可以通过修改网络对象的属性，例如设置传递函数、学习率等，来定制网络的行为。

使用示例：

hiddenLayerSize = [10, 5];
trainFcn = 'traingda';net = feedforwardnet(hiddenLayerSize, 'trainFcn', trainFcn);

在上面的例子中，net 函数被用于创建一个具有两个隐层（分别有10和5个神经元）的前馈神经网络，使用 ‘traingda’（适应性梯度下降法）作为训练算法。

---

网络的属性：

神经网络对象 net 具有许多属性，这些属性可以通过修改来定制神经网络的行为。以下是一些常见的 net 对象的属性：

1. net.numInputs： 输入层的数量。
2. net.numLayers： 总层数（包括输入层、隐层和输出层）。
3. net.numOutputs： 输出层的数量。
4. net.inputs： 输入层的属性，包括输入名称、范围等。
5. net.layers： 所有层的属性，包括每个层的权重、传递函数等。
6. net.outputs： 输出层的属性，包括输出名称、范围等。
7. net.biases： 所有层的偏置值。
8. net.IW： 输入层到隐层的权重。
9. net.LW： 隐层到隐层或隐层到输出层的权重。
10. net.b： 隐层或输出层的偏置。
11. net.layers{i}.transferFcn： 第 i 层的传递函数。
12. net.trainFcn： 训练函数的名称，用于指定神经网络的训练算法。
13. net.trainParam： 训练参数的结构体，包括学习率、最大迭代次数等。

这些属性提供了对神经网络内部结构和参数的详细控制。通过修改这些属性，你可以调整神经网络的拓扑结构、权重和训练算法等，以满足特定的问题需求。例如，可以通过修改 net.layers{i}.transferFcn 来更改特定层的传递函数，通过调整 net.trainParam 来设置训练参数。

net.trainParam 是神经网络对象 net 中的一个属性，它是一个结构体，包含了与神经网络训练相关的参数。通过修改 net.trainParam 中的参数，可以调整神经网络的训练过程。

以下是一些常见的 net.trainParam 中的参数：

1. net.trainParam.epochs： 训练的最大迭代次数。当达到这个迭代次数时，训练过程会停止。
2. net.trainParam.goal： 训练的目标，即期望的性能目标。当训练误差达到或低于这个目标时，训练过程会停止。
3. net.trainParam.lr： 学习率（Learning Rate），用于调整权重更新的步长。学习率的大小影响训练的速度和稳定性。
4. net.trainParam.mc： 动量常数（Momentum Constant），用于考虑前一步权重更新对当前步的影响。动量有助于加速收敛。
5. net.trainParam.max_fail： 允许连续多少次训练失败（未达到目标或性能没有改善）后终止训练。
6. net.trainParam.min_grad： 训练过程中的梯度阈值。当梯度的大小低于该阈值时，训练过程会停止。
7. net.trainParam.show： 控制训练过程中的显示信息。设置为 1 时显示，设置为 0 时不显示。
8. net.trainParam.showCommandLine： 控制是否在命令行中显示训练过程的信息。
9. net.trainParam.showWindow： 控制是否显示训练过程的图形窗口。

这些参数允许用户对神经网络的训练过程进行详细的调整和监控。例如，可以通过设置合适的学习率、动量常数和训练停止条件来优化训练过程。