基于遗传算法优化BP神经网络实现非线性函数拟合

一、算法原理与模型架构

1.1 核心思想

通过遗传算法全局搜索能力优化BP神经网络的初始权值和阈值，解决传统BP网络易陷入局部最优、收敛速度慢的问题。遗传算法在解空间中迭代寻优，最终获得使网络预测误差最小的最优参数组合。

1.2 网络结构设计

• 输入层：2个节点（对应2维输入）
• 隐藏层：5个节点（激活函数tansig）
• 输出层：1个节点（激活函数purelin）
• 编码方式：实数编码，染色体长度=2×5（输入层到隐藏层权值）+5（隐藏层阈值）+5×1（隐藏层到输出层权值）+1（输出层阈值）=21维

1.3 适应度函数

采用预测误差绝对值和作为适应度：

error = sum(abs(net(inputn) - outputn));
fitness = 1 / (error + eps);  % 误差越小适应度越高

二、实现步骤详解

2.1 数据准备

% 生成训练/测试数据
[x, y] = meshgrid(-6:0.1:6);
z = sin(x.^2 + y.^2) + 0.1*randn(size(x));  % 非线性函数+噪声

% 数据归一化
[inputn,inputps] = mapminmax(x(:),0,1);
[outputn,outputps] = mapminmax(z(:),0,1);

2.2 遗传算法参数设置

maxgen = 50;    % 进化代数
sizepop = 20;   % 种群规模
pcross = 0.6;   % 交叉概率
pmutation = 0.2;% 变异概率

2.3 关键算法实现

2.3.1 选择操作（轮盘赌法）

function ret = Select(individuals, sizepop)
    fitness = 10./individuals.fitness;  % 适应度取倒数
    sumfitness = sum(fitness);
    sumf = fitness/sumfitness;

    index = zeros(1,sizepop);
    for i = 1:sizepop
        pick = rand;
        while pick == 0
            pick = rand;
        end
        for j = 1:sizepop
            pick = pick - sumf(j);
            if pick < 0
                index(i) = j;
                break;
            end
        end
    end
    ret = individuals(index);
end

2.3.2 交叉操作（实数交叉）

function ret = Cross(pcross, lenchrom, chrom, sizepop, bound)
    for i = 1:sizepop
        if rand < pcross
            pos = ceil(rand * sum(lenchrom));
            pick = rand;
            chrom(i,:) = chrom(i,:) + pick*(chrom(randi(sizepop),:) - chrom(i,:));
            chrom(i,:) = max(min(chrom(i,:), bound(:,2)), bound(:,1));
        end
    end
    ret = chrom;
end

2.3.3 变异操作（自适应变异）

function ret = Mutation(pmutation, lenchrom, chrom, sizepop, gen, maxgen, bound)
    for i = 1:sizepop
        if rand < pmutation
            pos = ceil(rand * sum(lenchrom));
            delta = (1 - gen/maxgen)^2 * (rand*2-1);
            chrom(i,pos) = chrom(i,pos) + delta*(bound(pos,2)-bound(pos,1));
            chrom(i,pos) = max(min(chrom(i,pos), bound(:,2)), bound(:,1));
        end
    end
    ret = chrom;
end

三、完整MATLAB代码

%% 主函数
clc; clear; close all;

% 数据准备
[x,y] = meshgrid(-6:0.1:6);
z = sin(x.^2 + y.^2) + 0.1*randn(size(x));
input = [x(:), y(:)]';
output = z(:)';

% 数据划分
input_train = input(1:1900,:)';
input_test = input(1901:2000,:)';
output_train = output(1:1900)';
output_test = output(1901:2000)';

% 归一化
[inputn,inputps] = mapminmax(input_train,0,1);
[outputn,outputps] = mapminmax(output_train,0,1);

%% 网络结构
inputnum = 2; hiddennum = 5; outputnum = 1;
net = newff(inputn,outputn,hiddennum);

%% 遗传算法参数
maxgen = 50; sizepop = 20; pcross = 0.6; pmutation = 0.2;

% 染色体编码
numsum = inputnum*hiddennum + hiddennum + hiddennum*outputnum + outputnum;
lenchrom = ones(1,numsum);
bound = [-3*ones(numsum,1) 3*ones(numsum,1)];

% 初始化种群
individuals = struct('fitness',zeros(1,sizepop),'chrom',[]);
for i = 1:sizepop
    individuals.chrom(i,:) = Code(lenchrom,bound);
    individuals.fitness(i) = fun(individuals.chrom(i,:),inputnum,hiddennum,outputnum,net,inputn,outputn);
end

%% 进化过程
trace = zeros(maxgen,2);
for gen = 1:maxgen
    % 选择
    individuals = Select(individuals,sizepop);

    % 交叉
    individuals.chrom = Cross(pcross,lenchrom,individuals.chrom,sizepop,bound);

    % 变异
    individuals.chrom = Mutation(pmutation,lenchrom,individuals.chrom,sizepop,gen,maxgen,bound);

    % 计算适应度
    for i = 1:sizepop
        individuals.fitness(i) = fun(individuals.chrom(i,:),inputnum,hiddennum,outputnum,net,inputn,outputn);
    end

    % 更新最优解
    [bestfitness,bestindex] = min(individuals.fitness);
    bestchrom = individuals.chrom(bestindex,:);
    trace(gen,:) = [bestfitness, mean(individuals.fitness)];
end

%% 结果应用
% 赋值最优参数
w1 = bestchrom(1:inputnum*hiddennum);
B1 = bestchrom(inputnum*hiddennum+1:inputnum*hiddennum+hiddennum);
w2 = bestchrom(inputnum*hiddennum+hiddennum+1:inputnum*hiddennum+hiddennum+hiddennum*outputnum);
B2 = bestchrom(end-outputnum+1:end);

net.iw{
   1,1} = reshape(w1,hiddennum,inputnum);
net.lw{
   2,1} = reshape(w2,outputnum,hiddennum);
net.b{
   1} = reshape(B1,hiddennum,1);
net.b{
   2} = B2';

% 网络训练
net.trainParam.epochs = 100; net.trainParam.lr = 0.1;
[net,tr] = train(net,inputn,outputn);

%% 测试验证
inputn_test = mapminmax('apply',input_test,inputps);
an = sim(net,inputn_test);
test_output = mapminmax('reverse',an,outputps);

% 计算误差
error = sum((test_output - output_test).^2);
disp(['测试集均方误差: ', num2str(error)]);

%% 可视化
figure;
plot3(x,y,z,'b.'); hold on;
plot3(x,y,test_output','r*');
title('GA-BP非线性拟合结果');
xlabel('X'); ylabel('Y'); zlabel('Z');

figure;
plot(1:maxgen,trace(:,1),'r',1:maxgen,trace(:,2),'b');
legend('最优适应度','平均适应度');
xlabel('迭代次数'); ylabel('适应度值');

参考代码 遗传算法优化BP神经网络-非线性函数拟合 www.youwenfan.com/contentalh/122195.html

四、性能优化

1. 自适应参数调整

   引入正弦函数动态调整交叉率和变异率：

   pcross = 0.4 + 0.3*sin(pi*gen/2/maxgen);
   pmutation = 0.1 + 0.1*cos(pi*gen/2/maxgen);
   

2. 早停机制

   当连续10代适应度变化小于阈值时提前终止：

   if gen > 10 && std(trace(gen-9:gen,1)) < 1e-5
       break;
   end
   

3. 并行计算加速

   使用MATLAB Parallel Toolbox加速适应度计算：

   parfor i = 1:sizepop
       individuals.fitness(i) = fun(...);
   end
   

五、实验结果对比

六、应用建议

1. 数据预处理：对输入输出数据进行归一化处理（推荐使用mapminmax）
2. 网络结构：隐藏层节点数可通过交叉验证确定（建议范围3-10）
3. 参数调优：种群规模建议20-50，交叉率0.5-0.8，变异率0.01-0.1
4. 可视化：建议绘制误差曲面图观察优化过程