用遗传算法优化下列代码 清空环境变量 clearclose all 关闭所有图形窗口clc 第一步 读取数据input = X; 载入输入数据output = Y; 载入输出数据 第二步 设置训练数据和预测数据 注意要将指标变为列向量input_train = input140;output_train = output140;input_test = input4150;output_t

清空环境变量

close all %关闭所有图形窗口 clc

%% 第一步 读取数据 input = X; %载入输入数据 output = Y; %载入输出数据

%% 第二步 设置训练数据和预测数据 % 注意要将指标变为列向量 input_train = input(1:40,:)'; output_train = output(1:40,:)'; input_test = input(41:50,:)'; output_test = output(41:50,:)';

%节点个数 inputnum = size(input_train, 1); % 输入层节点数量 hiddennum = 10; % 隐含层节点数量 outputnum = size(output_train, 1); % 输出层节点数量

%% 第三步 训练样本数据归一化 [inputn, inputps] = mapminmax(input_train); %归一化到[-1,1]之间，inputps用来作下一次同样的归一化 [outputn, outputps] = mapminmax(output_train);

%% 第四步 构建BP神经网络 net = newff(inputn, outputn, hiddennum, {'tansig','purelin'}, 'trainlm'); % 建立模型，传递函数使用purelin，采用梯度下降法训练

W1 = net.iw{1, 1}; %输入层到中间层的权值 B1 = net.b{1}; %中间各层神经元阈值

W2 = net.lw{2,1}; %中间层到输出层的权值 B2 = net.b{2}; %输出层各神经元阈值

%% 第五步 网络参数配置（训练次数，学习速率，训练目标最小误差等） net.trainParam.epochs = 1000; % 训练次数，这里设置为1000次 net.trainParam.lr = 0.01; % 学习速率，这里设置为0.01 net.trainParam.goal = 0.00001; % 训练目标最小误差，这里设置为0.00001

%% 第六步 BP神经网络训练 net = train(net, inputn, outputn); %开始训练，其中inputn,outputn分别为输入输出样本

%% 第七步 测试样本归一化 inputn_test = mapminmax('apply', input_test, inputps); % 对样本数据进行归一化

%% 第八步 BP神经网络预测 an = sim(net, inputn_test); %用训练好的模型进行仿真

%% 第九步 预测结果反归一化与误差计算
test_simu = mapminmax('reverse', an, outputps); %把仿真得到的数据还原为原始的数量级 error = test_simu - output_test; %预测值和真实值的误差

%% 第十步 真实值与预测值误差比较 figure('units','normalized','position',[0.119 0.2 0.38 0.5]) plot(output_test,'bo-') hold on plot(test_simu,'r*-') hold on plot(error,'square','MarkerFaceColor','b') legend('期望值','预测值','误差') xlabel('数据组数') ylabel('样本值') title('BP神经网络测试集的预测值与实际值对比图')

[c, l] = size(output_test); MAE1 = sum(abs(error))/l; MSE1 = error * error' / l; RMSE1 = MSE1^(1/2); disp('-----------------------误差计算--------------------------') disp(['隐含层节点数为', num2str(hiddennum), '时的误差结果如下：']) disp(['平均绝对误差MAE为：', num2str(MAE1)]) disp(['均方误差MSE为： ', num2str(MSE1)]) disp(['均方根误差RMSE为： ', num2str(RMSE1)]