遗传算法优化BP神经网络在非线性函数拟合中的应用
在工程应用中经常会遇到一些复杂的非线性系统，这些系统状态方程复杂，难以用数学方法精确建模。在这种情况下，可以建立BP神经网络表达这些非线性系统。通常BP神经网络的权值和阈值都是随机初始化的，这样容易导致拟合效果不稳定，况且由于使用梯度下降的方式训练BP网络的权值和阈值，容易导致训练陷入局部最优中，所以本案例我们通过遗传算法来对神经网络初始的权值和阈值进行优化。
本案例拟合的非线性函数为：
y=x12+x22y= x_{1}^{2}+x_{2}^{2} y=x12+x22
该函数的图形，如下图所示。
一、模型建立
1.1 整体算法流程
遗传算法优化BP神经网络算法流程如下图所示，分为BP神经网络结构确定、遗传算法优化和BP神经网络预测3个部分。
（1）BP神经网络结构确定部分：根据拟合函数输入输出参数个数确定BP神经网络结构，进而确定遗传算法个体长度。
（2）遗传算法优化部分：使用遗传算法优化BP神经网络的权值和阈值，种群中的每个个体都包含了一个网络所有权值和阈值，个体通过适应度函数计算个体适应度值，遗传算法通过选择、交叉和变异操作找到最优适应度值对应个体。
（3）BP神经网络预测部分：用遗传算法得到最优个体对网络初始权值和阈值赋值，网络经训练后预测函数输出。
本案例中，由于拟合非线性函数有2个输入参数、1个输出参数，所以设置的BP神经网络结构为2-5-1，即输入层有2个结点，中间层有5个结点，输出层有1个结点，共有2×5+5×1=152\times 5+5\times 1=152×5+5×1=15个权值，5+1=6个阈值，所以遗传算法个体编码长度为15+6=21。从非线性函数中随机得到2000组输入输出数据，从中随机选择1900组作为训练数据，用于网络训练，100组作为测试数据。把训练数据预测误差绝对值和作为个体适应度，个体适应度值越小，该个体越优。
1.2 遗传算法实现
遗传算法优化BP神经网络的要素包括种群初始化、适应度函数、选择操作、交叉操作和变异操作。
1. 种群初始化
个体编码方法为实数编码，每个个体均为一个实数串，由输入层与中间层连接权值、中间层阈值、中间层与输出层连接权值以及输出层阈值4部分组成。个体包含了神经网络全部权值和阈值，在网络结构已知的情况下，就可以构成一个结构、权值、阈值确定的神经网络。
2、适应度函数
根据个体得到BP神经网络的初始权值和阈值，用训练数据训练BP神经网络后预测系统输出，把预测输出和期望输出之间的误差绝对值之和EEE作为个体适应度值FFF，计算公式为：
F=k×∑i=1nabs(yi−oi)F = k\times\sum_{i=1}^{n}{abs(y_i-o_i)} F=k×i=1∑nabs(yi−oi)
式中，nnn为网络输出结点数；yiy_iyi为BP神经网络第iii个结点的期望输出；oio_ioi为第iii个结点的预测输出；kkk为系数，本案例k=1k=1k=1。
3、选择操作
遗传算法选择操作有轮盘赌法、竞标赛法等多种方法，本案例选择轮盘赌法，即基于适应度比例的选择策略，每个个体iii的选择概率pip_ipi为：
fi=kFif_i=\frac{k}{F_i} fi=Fik
pi=fi∑j=1Nfjp_i=\frac{f_i}{\sum_{j=1}^{N}{f_j}} pi=∑j=1Nfjfi
式中，FiF_iFi为个体iii的适应度值，由于适应度越小越好，所以在个体选择前对适应度值求倒数；kkk为系数，本案例k=10k=10k=10；NNN为种群个体数目。
4、交叉操作
由于个体采用实数编码，所以交叉操作方法采用实数交叉法，第kkk个染色体aka_kak和第lll个染色体ala_lal在jjj位的交叉操作方法如下：
{akj=akj(1−b)+aljbalj=alj(1−b)+akjb\left \{ \begin{array}{c} a_{kj}=a_{kj}(1-b) + a_{lj}b \\ a_{lj}=a_{lj}(1-b) + a_{kj}b \\ \end{array} \right. {akj=akj(1−b)+aljbalj=alj(1−b)+akjb
式中，bbb是[0,1][0,1][0,1]间的随机数。
5、变异操作
选取第iii个个体的第jjj个基因aija_{ij}aij进行变异，变异操作方法如下：
aij={aij+(amax−aij)×f(g),r>0.5aij−(aij−amin)×f(g),r≤0.5a_{ij}=\left \{ \begin{array}{c} a_{ij} + (a_{max} - a_{ij})\times f(g), r>0.5 \\ a_{ij} - (a_{ij} - a_{min})\times f(g), r\leq 0.5\\ \end{array} \right. aij={aij+(amax−aij)×f(g),r>0.5aij−(aij−amin)×f(g),r≤0.5
f(g)=r′(1−gGmax)2f(g) = r'(1-\frac{g}{G_{max}})^2 f(g)=r′(1−Gmaxg)2
式中，amaxa_{max}amax为基因aija_{ij}aij的上界；amina_{min}amin为基因aija_{ij}aij的下界；ggg为当前迭代次数；GmaxG_{max}Gmax为最大进化次数；r,r′r,r'r,r′为[0,1][0,1][0,1]间的随机数。
二、MatLab实现
2.1 染色体编码
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% boundinput : 变量的取值范围% ret output: 染色体的编码值pick=rand(1,length(lenchrom));%线性插值，编码结果以实数向量存入ret中ret=bound(:,1)'+(bound(:,2)-bound(:,1))'.*pick; end
2.2 适应度函数
function error = fun(x,inputnum,hiddennum,outputnum,net,inputn,outputn)%该函数用来计算适应度值%xinput个体%inputnum input输入层节点数%outputnum input隐含层节点数%net input网络%inputninput训练输入数据%outputn input训练输出数据%erroroutput 个体适应度值%提取w1=x(1:inputnum*hiddennum);B1=x(inputnum*hiddennum+1:inputnum*hiddennum+hiddennum);w2=x(inputnum*hiddennum+hiddennum+1:...inputnum*hiddennum+hiddennum+hiddennum*outputnum);B2=x(inputnum*hiddennum+hiddennum+hiddennum*outputnum+1:...inputnum*hiddennum+hiddennum+hiddennum*outputnum+outputnum);%网络进化参数net.trainParam.epochs=20; % 最大迭代次数net.trainParam.lr=0.05; % 学习率net.trainParam.goal=0.00001; % 神经网络训练的目标误差net.trainParam.showWindow=false;%网络权值赋值net.iw{1,1}=reshape(w1,hiddennum,inputnum); % 输入层到中间层的权值net.lw{2,1}=reshape(w2,outputnum,hiddennum); % 中间层到输出层的权值net.b{1}=reshape(B1,hiddennum,1); % 中间各层神经元阈值net.b{2}=B2; % 输出层各神经元阈值%网络训练net=train(net,inputn,outputn);an=sim(net,inputn);error=sum(abs(an-outputn));end
注：
先假设神经网络结构，{ 9 [80 50 20] 1 }；9为输入层，[80 50 20]为隐层，1为输出层。
net.iw{1,1}表示 输入层 到 第1层隐层 的权重，为80*9的矩阵；net.lw{2,1}表示 第1层隐层 到 第2层隐层 的权重，为50*80的矩阵；net.lw{3,2}表示 第2层隐层 到 第3层隐层 的权重，为20*50的矩阵；net.lw{4,3}表示 第3层隐层 到 输出层 的权重，为1*20的矩阵；net.b{1}表示 第1层隐层 的偏置，为80*1的矩阵；net.b{2}表示 第2层隐层 的偏置，为50*1的矩阵；net.b{3}表示 第3层隐层 的偏置，为20*1的矩阵；net.b{4}表示 输出层 的偏置，为1*1的矩阵；
2.3 选择操作
function ret=Select(individuals,sizepop)% 该函数用于进行选择操作% individuals input 种群信息% sizepopinput 种群规模% ret output 选择后的新种群%求适应度值倒数 fitness1=10./individuals.fitness; %individuals.fitness为个体适应度值%个体选择概率sumfitness=sum(fitness1);sumf=fitness1./sumfitness;%采用轮盘赌法选择新个体index=zeros(1,sizepop); for i=1:sizepop %sizepop为种群数pick=rand;while pick==0 pick=rand; endfor j=1:sizepop pick=pick-sumf(j); if pick<0 index(i)=j; break; endendend%新种群%individuals.chrom为种群中个体individuals.chrom=individuals.chrom(index,:); individuals.fitness=individuals.fitness(index);ret=individuals;end
2.4 交叉操作
function ret=Cross(pcross,lenchrom,chrom,sizepop)%本函数完成交叉操作，点交叉% pcorssinput : 交叉概率% lenchrom input : 染色体的长度% chrom input : 染色体群% sizepopinput : 种群规模% ret output : 交叉后的染色体%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）for i=1:sizepop % 随机选择两个染色体进行交叉pick=rand(1,2);while prod(pick)==0%prod函数为数组各元素乘积pick=rand(1,2);endindex=ceil(pick.*sizepop);% 交叉概率决定是否进行交叉pick=rand;while pick==0pick=rand;endif pick>pcrosscontinue;end% 随机选择交叉位pick=rand;while pick==0pick=rand;end%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pos=ceil(pick.*sum(lenchrom)); pick=rand; %交叉开始v1=chrom(index(1),pos);v2=chrom(index(2),pos);%在v1与v2之间生成一个数，所以无须担心不符合约束条件chrom(index(1),pos)=pick*v2+(1-pick)*v1;chrom(index(2),pos)=pick*v1+(1-pick)*v2; %交叉结束 endret=chrom;end
2.5 变异操作
function ret=Mutation(pmutation,lenchrom,chrom,sizepop,num,maxgen,bound)% 本函数完成变异操作% pcorssinput : 变异概率% lenchrom input : 染色体长度% chrom input : 染色体群% sizepopinput : 种群规模% opts input : 变异方法的选择% num input : 当前迭代次数% maxgeninput : 最大迭代次数% 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==0pick=rand;endindex=ceil(pick*sizepop);% 变异概率决定该轮循环是否进行变异pick=rand;if pick>pmutationcontinue;end% 变异位置pick=rand;while pick==0pick=rand;endpos=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pick=rand; %变异开始fg = rand*(1-num/maxgen)^2;if pick>0.5chrom(index,pos)=chrom(index,pos)+...(bound(pos,2)-chrom(index,pos))*fg;elsechrom(index,pos)=chrom(index,pos)-...(chrom(index,pos)-bound(pos,1))*fg;end %变异结束endret=chrom;
2.6 遗传算法主函数
遗传算法主函数流程为：
步骤1：随机初始化种群；步骤2：计算种群适应度值，从中找出最优个体；步骤3：选择操作；步骤4：交叉操作；步骤5：变异操作；步骤6：判断进化是否结束，若否，则返回步骤2；
% 清空环境变量clcclear%% 读取数据% input:2000*2,output:2000*1load data.mat input output% 训练数据和预测数据input_train = input(1:1900,:)';input_test = input(1901:2000,:)';output_train = output(1:1900)';output_test = output(1901:2000)';% 选择样本输入输出数据归一化[inputn,inputps] = mapminmax(input_train);[outputn,outputps] = mapminmax(output_train);%% 网络结构建立% 节点个数inputnum = 2;hiddennum = 5;outputnum = 1;% 构建网络net=newff(inputn,outputn,hiddennum);%% 遗传算法参数初始化maxgen = 50; %进化代数，即迭代次数sizepop = 10; %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% 节点总数numsum = inputnum * hiddennum + hiddennum + hiddennum * outputnum+outputnum;lenchrom = ones(1,numsum);bound=[-3*ones(numsum,1) 3*ones(numsum,1)]; %数据范围%% 种群初始化% 将种群信息定义为一个结构体individuals=struct('fitness',zeros(1,sizepop), 'chrom',[]);%初始化种群for i=1:sizepop%随机产生一个种群individuals.chrom(i,:)=Code(lenchrom,bound); %编码结果为一个实数向量x=individuals.chrom(i,:);%计算适应度individuals.fitness(i)=fun(x,inputnum,hiddennum,...outputnum,net,inputn,outputn); %染色体的适应度end%找最好的染色体[bestfitness,bestindex]=min(individuals.fitness); %每一代种群的最佳适应度bestchrom=individuals.chrom(bestindex,:); %适应度最好的染色体avgfitness=sum(individuals.fitness)/sizepop; %每一代种群的平均适应度% 记录每一代进化中最好的适应度和平均适应度trace=ones(maxgen+1,2);trace(1,:)=[avgfitness bestfitness];%% 迭代求解最佳初始阀值和权值% 进化开始for i=1:maxgendisp(['遗传算法第',num2str(i),'代：'])% 选择individuals=Select(individuals,sizepop);% 交叉individuals.chrom=Cross(pcross,lenchrom,individuals.chrom,sizepop);% 变异individuals.chrom=Mutation(pmutation,lenchrom,individuals.chrom,...sizepop,i,maxgen,bound);% 计算适应度for j=1:sizepopx=individuals.chrom(j,:);individuals.fitness(j)=fun(x,inputnum,hiddennum,outputnum,net,...inputn,outputn);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>newbestfitnessbestfitness=newbestfitness;bestchrom=individuals.chrom(newbestindex,:);endindividuals.chrom(worestindex,:)=bestchrom;individuals.fitness(worestindex)=bestfitness;avgfitness=sum(individuals.fitness)/sizepop;%记录每一代进化中最好的适应度和平均适应度trace(i+1,:)=[avgfitness bestfitness];disp(['最佳适应度',num2str(bestfitness)])end% 遗传算法结果分析figure(1)plot(trace(:,1),'b--');hold onplot(trace(:,2),'r--');title(['适应度曲线 ' '终止代数＝' num2str(maxgen)]);xlabel('进化代数');ylabel('适应度');legend('平均适应度','最佳适应度');disp('遗传算法优化后的网络权值阈值');x=bestchrom;disp(x);
% 把最优初始阀值权值赋予网络预测%用遗传算法优化的BP网络进行值预测w1=x(1:inputnum*hiddennum);B1=x(inputnum*hiddennum+1:inputnum*hiddennum+hiddennum);w2=x(inputnum*hiddennum+hiddennum+1:inputnum*hiddennum+...hiddennum+hiddennum*outputnum);B2=x(inputnum*hiddennum+hiddennum+hiddennum*outputnum+...1:inputnum*hiddennum+hiddennum+hiddennum*outputnum+outputnum);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;% BP网络训练% 网络进化参数net.trainParam.epochs=100;net.trainParam.lr=0.05;net.trainParam.goal=0.000001;%网络训练net=train(net,inputn,outputn);
% BP网络预测% 数据归一化inputn_test=mapminmax('apply',input_test,inputps);an=sim(net,inputn_test);test_simu=mapminmax('reverse',an,outputps);error=test_simu-output_test;figure(2)plot(test_simu,':og')hold onplot(output_test,'-*');legend('预测输出','期望输出')title('BP网络预测输出','fontsize',12)ylabel('函数输出','fontsize',12)xlabel('样本','fontsize',12)
figure(3)plot(error,'-*')title('BP网络预测误差 ','fontsize',12)ylabel('误差','fontsize',12)xlabel('样本','fontsize',12)
figure(4)plot((output_test-test_simu)./test_simu,'-*');title('神经网络预测误差百分比')errorsum=sum(abs(error));disp(['总体误差为：',num2str(errorsum)]);
三、结果分析
遗传算法优化BP神经网络过程中平均适应度与最优个体适应度值变化如图3所示。
遗传算法优化得到的BP神经网络最优初始权值和阈值如下表1所列。
表1 最优初始权值阈值
把最优初始权值和阈值赋给神经网络，用训练数据训练100次后预测非线性函数输出，预测误差如图6、7所示。从对比数据见表2，可以看出遗传算法优化的BP神经网络预测更加精确。
表2 不同方法对比
可见，遗传算法优化BP神经网络是对普通BP神经网络的一种优化方法，如果把BP神经网络看成是一个预测函数，遗传算法优化BP神经网络相当于优化预测函数中的参数，优化后BP神经网络的预测效果一般优于未优化的BP网络。但是该算法是有局限性的，它只能有限提高原有BP神经网络的预测精度，并不能把预测误差较大的BP神经网络优化为能够准确预测的BP神经网络。尤其对一些因为样本数量少、样本分布不均匀而造成神经网络预测误差大的问题，优化后的网络预测能力一般不能得到明显提高。
四、练习
（1）拟合的非线性函数：
f(x,y)=sinxx×sinyy,x,y∈[−10,10]f(x,y) = \frac{ \sin x}{x}\times \frac{\sin y}{y},x,y\in[-10,10] f(x,y)=xsinx×ysiny,x,y∈[−10,10]
该函数的图形，如下图所示。
[x_plot,y_plot] = meshgrid(-10:0.05:10);z = (sin(x_plot)./x_plot).*(sin(y_plot)./y_plot);mesh(x_plot,y_plot,z)xlabel('第一维度x的取值范围');ylabel('第二维度y的取值范围');zlabel('函数值');
