遗传算法（GA）优化后RBF神经网络优化分析（Matlab代码实现）

目录

1 遗传算法

2 RBF神经网络

3 Matlab代码实现

4 结果

1 遗传算法

遗传算法是一种模拟自然界进化过程的优化算法。它通过模拟生物进化的遗传、交叉和变异等过程，来搜索最优解或近似最优解。

遗传算法的基本步骤如下：

初始化种群：随机生成一组初始解作为种群。

适应度评估：根据问题的特定评价函数，计算每个个体的适应度。

选择操作：根据适应度大小，选择一部分个体作为父代，用于产生下一代。

交叉操作：对选出的父代个体进行交叉操作，生成新的个体。

变异操作：对新生成的个体进行变异操作，引入新的基因。

替换操作：用新生成的个体替换原来的个体，形成新的种群。

终止条件判断：判断是否满足终止条件，如果满足则停止算法，否则返回第3步。

遗传算法的优点是可以在大规模搜索空间中找到较好的解，适用于多种优化问题。然而，由于其基于随机性的特点，可能会陷入局部最优解，且算法的收敛速度较慢。因此，对于复杂问题，需要合理设置参数和运行多次以获得更好的结果。

2 RBF神经网络

RBF神将网络是一种三层神经网络，其包括输入层、隐层、输出层。从输入空间到隐层空间的变换是非线性的，而从隐层空间到输出层空间变换是线性的。流图如下：

RBF网络的基本思想是：用RBF作为隐单元的“基”构成隐含层空间，这样就可以将输入矢量直接映射到隐空间，而不需要通过权连接。当RBF的中心点确定以后，这种映射关系也就确定了。而隐含层空间到输出空间的映射是线性的，即网络的输出是隐单元输出的线性加权和，此处的权即为网络可调参数。其中，隐含层的作用是把向量从低维度的p映射到高维度的h，这样低维度线性不可分的情况到高维度就可以变得线性可分了，主要就是核函数的思想。

这样，网络由输入到输出的映射是非线性的，而网络输出对可调参数而言却又是线性的。网络的权就可由线性方程组直接解出，从而大大加快学习速度并避免局部极小问题。

3 Matlab代码实现

GA.m

clear all
close all

G = 15;
Size = 30;
CodeL = 10;

for i = 1:3
    MinX(i) = 0.1*ones(1);
    MaxX(i) = 3*ones(1);
end
for i = 4:1:9
    MinX(i) = -3*ones(1);
    MaxX(i) = 3*ones(1);
end
for i = 10:1:12
    MinX(i) = -ones(1);
    MaxX(i) = ones(1);
end

E = round(rand(Size,12*CodeL));  %Initial Code!

BsJ = 0;

for kg = 1:1:G
    time(kg) = kg
    
    for s = 1:1:Size
        m = E(s,:);
        
        for j = 1:1:12
            y(j) = 0;
            
            mj = m((j-1)*CodeL + 1:1:j*CodeL);
            for i = 1:1:CodeL
                y(j) = y(j) + mj(i)*2^(i-1);
            end
            f(s,j) = (MaxX(j) - MinX(j))*y(j)/1023 + MinX(j);
        end
        
        % ************Step 1:Evaluate BestJ *******************
        p = f(s,:);
        
        [p,BsJ] = RBF(p,BsJ);
        
        BsJi(s) = BsJ;
    end
    
    [OderJi,IndexJi] = sort(BsJi);
    BestJ(kg) = OderJi(1);
    BJ = BestJ(kg);
    Ji = BsJi+1e-10;
    
    fi = 1./Ji;
    [Oderfi,Indexfi] = sort(fi);
    Bestfi = Oderfi(Size);
    BestS = E(Indexfi(Size),:);
    
    % ***************Step 2:Select and Reproduct Operation*********
    fi_sum = sum(fi);
    fi_Size = (Oderfi/fi_sum)*Size;
    
    fi_S = floor(fi_Size);
    
    kk = 1;
    for i = 1:1:Size
        for j = 1:1:fi_S(i)
            TempE(kk,:) = E(Indexfi(i),:);
            kk = kk + 1;
        end
    end
    
    % ****************Step 3:Crossover Operation*******************
    pc = 0.60;
    n = ceil(20*rand);
    for i = 1:2:(Size - 1)
        temp = rand;
        if pc>temp
            for j = n:1:20
                TempE(i,j) = E(i+1,j);
                TempE(i+1,j) = E(i,j);
            end
        end
    end
        TempE(Size,:) = BestS;
        E = TempE;
        
     %*****************Step 4:Mutation Operation*********************
     pm = 0.001 - [1:1:Size]*(0.001)/Size;
     for i = 1:1:Size
         for j = 1:1:12*CodeL
             temp = rand;
             if pm>temp
                 if TempE(i,j) == 0
                     TempE(i,j) = 1;
                 else
                     TempE(i,j) = 0;
                 end
             end
         end
     end
     
     %Guarantee TempE(Size,:) belong to the best individual
     TempE(Size,:) = BestS;
     E = TempE;
     %********************************************************************
 end

 
 Bestfi
 BestS
 fi
 Best_J = BestJ(G)
 figure(1);
 plot(time,BestJ);
 xlabel('Times');ylabel('BestJ');
 save pfile p;

RBF.m 

function [p,BsJ] = RBF(p,BsJ)

ts = 0.001;

alfa = 0.05;
xite = 0.85;
x = [0,0]';
b = [p(1);p(2);p(3)];
c = [p(4) p(5) p(6);
    p(7) p(8) p(9)];
w = [p(10);p(11);p(12)];

w_1 = w;w_2 = w_1;
c_1 = c;c_2 = c_1;
b_1 = b;b_2 = b_1;
y_1 = 0;

for k = 1:500
    timef(k) = k*ts;
    
    u(k) = sin(5*2*pi*k*ts);
    
    y(k) = u(k)^3 + y_1/(1 + y_1^2);
    
    x(1) = u(k);
    x(2) = y(k);
    for j = 1:1:3
        h(j) = exp(-norm(x - c(:,j))^2/(2*b(j)*b(j)));
    end
    ym(k) = w_1'*h';
    
    e(k) = y(k) - ym(k);
    
    d_w = 0*w;d_b = 0*b;d_c = 0*c;
    for j = 1:1:3
        d_w(j) = xite*e(k)*h(j);
        d_b(j) = xite*e(k)*w(j)*h(j)*(b(j)^-3)*norm(x-c(:,j))^2;
        for i = 1:1:2
            d_c(i,j) = xite*e(k)*w(j)*h(j)*(x(i)-c(i,j))*(b(j)^-2);
        end
    end
    
    w = w_1 + d_w + alfa*(w_1 - w_2);
    b = b_1 + d_b + alfa*(b_1 - b_2);
    c = c_1 + d_c + alfa*(c_1 - c_2);
    
    y_1 = y(k);
    w_2 = w_1;
    w_1 = w;
    
    c_2 = c_1;
    c_1 = c;
    
    b_2 = b_1;
    b_1 = b;
end

B = 0;
for i = 1:500
    Ji(i) = abs(e(i));
    B = B + 100*Ji(i);
end

BsJ = B;

Test.m

clear all;
close all;

load pfile;
alfa = 0.05;
xite = 0.85;
x = [0,0]';

%M为1时
M = 2;
if M == 1
    b = [p(1);p(2);p(3)];
    c = [p(4) p(5) p(6);
         p(7) p(8) p(9)];
    w = [p(10);p(11);p(12)];
elseif M == 2
    b = 3*rand(3,1);
    c = 3*rands(2,3);
    w = rands(3,1);
end

w_1 = w;w_2 = w_1;
c_1 = c;c_2 = c_1;
b_1 = b;b_2 = b_1;

y_1 = 0;

ts = 0.001;
for k = 1:1500
    time(k) = k*ts;
    
    u(k) = sin(5*2*pi*k*ts);
    y(k) = u(k)^3 + y_1/(1 + y_1^2);
    
    x(1) = u(k);
    x(2) = y(k);
    
    for j = 1:3
        h(j) = exp(-norm(x-c(:,j))^2/(2*b(j)*b(j)));
    end
    
    ym(k) = w_1'*h';
    e(k) = y(k) - ym(k);
    
    d_w = 0*w;d_b = 0*b;d_c=0*c;
    for j = 1:1:3
        d_w(j) = xite*e(k)*h(j);
        d_b(j) = xite*e(k)*w(j)*h(j)*(b(j)^-3)*norm(x-c(:,j))^2;
        for i = 1:1:2
            d_c(i,j) = xite*e(k)*w(j)*h(j)*(x(i) - c(i,j))*(b(j)^-2);
        end
    end
    
    w = w_1 + d_w + alfa*(w_1 - w_2);
    b = b_1 + d_b + alfa*(b_1 - b_2);
    c = c_1 + d_c + alfa*(c_1 - c_2);
    
    y_1 = y(k);
    w_2 = w_1;
    w_1 = w;
    c_2 = c_1;
    c_1 = c;
    b_2 = b;
    
end
figure(1);
plot(time,ym,'r',time,y,'b');
xlabel('times(s)');ylabel('y and ym');

pfile.mat 

p: [2.9915 2.9008 2.4982 1.0059 1.1056 0.8006 0.4780 1.6100 -1.3460 -0.7204 0.4076 0.2786]

4 结果

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：/a/35017.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈qq邮箱809451989@qq.com，一经查实，立即删除！

相关文章

SPSS读取纯文本文件

SPSS读取纯文本文件

纯文本文件是通用的一种格式文件，根据纯文本文件中数据的排序方式，可以将其分为自由格式和固定格式。自由格式文本文件的数据项之间必须有分隔符，固定格式数据项之间不需要分隔符。 1.以自由格式读取数据 （1）选择“文…
阅读更多...
自然语言处理从入门到应用——预训练模型总览：预训练模型的拓展

自然语言处理从入门到应用——预训练模型总览：预训练模型的拓展

分类目录：《自然语言处理从入门到应用》总目录 相关文章： 预训练模型总览：从宏观视角了解预训练模型 预训练模型总览：词嵌入的两大范式 预训练模型总览：两大任务类型 预训练模型总览：预训练模型的拓展 …
阅读更多...
data和filter协议文件包含

data和filter协议文件包含

实验目的 通过本实验，了解php封装伪协议，掌握filter协议和data协议的用法 实验环境 操作机：kali 靶机：Windows Server 2003 实验地址：http://靶机ip/exp/include2/filter/ http://靶机ip/exp/include/include3.php…
阅读更多...
软件测试常用设计模式

软件测试常用设计模式

设计模式的重要原则就是：高内聚、低耦合；通常程序结构中各模块的内聚程度越高，模块间的耦合程度就越低。 数据驱动测试：Data Driven Testing，简称DDT； 数据驱动指的是从数据文件（如数据库、Ex…
阅读更多...
ElasticSearch学习02——Kibana安装

ElasticSearch学习02——Kibana安装

ElasticSearch学习02——Windows下Kibana安装 Kibana是界面化的查询数据的工具，下载时尽量下载与ElasicSearch一致的版本。 1、下载对应版本的Kibana ​ 有了ElasticSearch安装的经验，我们发现了ES和JDK有着版本对应的关系，Kibana和ES共同为…
阅读更多...
一文了解PoseiSwap的质押系统

一文了解PoseiSwap的质押系统

PoseiSwap 正在向订单簿 DEX 领域深度的布局，并有望成为订单簿 DEX 领域的早期开创者。PoseiSwap 是行业内首个模块化 Layer3 架构链 Nautilus Chain 上的首个 DEX ，Nautilus Chain 具备行业内最快的 EVM，支持以模块化的形式构建定制化开发&a…
阅读更多...
【macOS 系列】如何调整启动台图标大小和行数

【macOS 系列】如何调整启动台图标大小和行数

1、使用指令，这是隐藏的技巧，在控制台输入如下指令 defaults write com.apple.dock springboard-rows -int 6 defaults write com.apple.dock springboard-columns -int 8 defaults write com.apple.dock ResetLaunchPad -bool TRUE killall Dock以上表…
阅读更多...
初始Liunx线程

初始Liunx线程

文章目录 前言1.初始Liunx下线程2.关于虚拟地址的补充知识3.线程的相关特点1.线程的优点2.线程的缺点3.线程异常4.线程和进程的比较 4.线程相关操作接口线程控制相关接口 5.关于线程id的理解 前言 本文主要是对Liunx之下线程的前置知识铺垫，同时也是对之前进程的相…
阅读更多...
EasyCVR如何实现国标级联无人机推送的RTMP推流通道？

EasyCVR如何实现国标级联无人机推送的RTMP推流通道？

EasyCVR视频融合平台基于云边端一体化架构，可支持多协议、多类型设备接入，包括：NVR、IPC、视频编码器、无人机、车载设备、智能手持终端、移动执法仪等。平台具有强大的数据接入、处理及分发能力，可在复杂的网络环境中&#xff0c…
阅读更多...
ZYNQ——脉宽调制之呼吸灯实现

ZYNQ——脉宽调制之呼吸灯实现

文章目录 原理简介实验代码软件仿真板上验证 原理简介 呼吸灯的实现过程就是把不同占空比的脉冲输出后加在LED上，LED灯就会显示不同的亮度，通过不断地调节方波的占空比，LED灯的亮度也会跟着变化，看起来就像是“呼吸”一样。 要得…
阅读更多...
爬虫小白入门在服务器上-部署爬虫或者开服务接口并供给他人访问

爬虫小白入门在服务器上-部署爬虫或者开服务接口并供给他人访问

目录 一、准备工作-服务器1、先准备一个服务器（以阿里云为例子）2、开通服务端口号访问权限 二、准备工作-Xshell登录服务器1、xshell基本登录操作2、xftp基本操作 三、部署代码到服务器上1、部署一个python爬虫脚本在服务器上定时运行等2、部署一个pytho…
阅读更多...
【面试常见】JS继承与原型、原型链

【面试常见】JS继承与原型、原型链

前后端面试题库 （面试必备） 推荐：★★★★★ 地址：前端面试题库 web前端面试题库 VS java后端面试题库大全 在 JavaScript 中，继承是实现代码复用和构建对象关系的重要概念。本文将讨论原型链继承、构造函数继承以及…
阅读更多...
SONY索尼MP4视频变RSV文件修复方法

SONY索尼MP4视频变RSV文件修复方法

索尼MP4变RSV的原因分析 索尼新型号相机或者摄像机，如SONY A7S3，A7M4，FX3, FX6, FX9等，如果录像过程中有发生如下异常情况，如断电，死机，电量不足，机器摔倒，非常规操作&a…
阅读更多...
【接口测试】Postman —— 接口测试知识准备

【接口测试】Postman —— 接口测试知识准备

1.0 前言 ​应用程序编程接口（Application Programming Interface, API）是这些年来最流行的技术之一，强大的Web应用程序和领先的移动应用程序都离不开后端强大的API。API技术的应用给系统开发带来了便利，但也对测试人员提出了更高…
阅读更多...
CentOS7下载并安装mysql-8.0.33

CentOS7下载并安装mysql-8.0.33

CentOS7下载并安装mysql-8.0.33 一、官网下载mysql-8.0.33 MySQL下载路径 MySQL :: Download MySQL Community Server 自己百度mysql官网下载的话直接按照完整路径指示下载即可，如果点击上面的连接下载mysql的话，直接按照4、5、6步骤选择适合自己linu…
阅读更多...
旅游卡景区购票小程序开发定制

旅游卡景区购票小程序开发定制

旅游业的蓬勃发展，越来越多的景区开始推出自己的旅游卡，以吸引更多的游客前来观光。同时，为了更加便捷地服务游客，许多景区也开始启用小程序来进行门票售卖和游客管理。针对这种情况，专业的小程序开发公司推出了定制旅…
阅读更多...
自定义注解，基于redis实现分布式锁

自定义注解，基于redis实现分布式锁

一、如何实现自定义注解 1.1、注解的基础知识 实现自定义注解其实很简单，格式基本都差不多。也就参数可能变一变。 Retention：取值决定了注解在什么时候生效，一般都是取运行时，也就是RetentionPolicy.RUNTIME。 Target&#xff…
阅读更多...
初识Go语言25-数据结构与算法【堆、Trie树、用go中的list与map实现LRU算法、用go语言中的map和堆实现超时缓存】

初识Go语言25-数据结构与算法【堆、Trie树、用go中的list与map实现LRU算法、用go语言中的map和堆实现超时缓存】

文章目录 堆Trie树练习-用go中的list与map实现LRU算法练习-用go语言中的map和堆实现超时缓存 堆 堆是一棵二叉树。大根堆即任意节点的值都大于等于其子节点。反之为小根堆。   用数组来表示堆，下标为 i 的结点的父结点下标为(i-1)/2，其左右子结点分别为…
阅读更多...
性能优化 ：删除项目中没有引用关系的文件 useless-files-webpack-plugin

性能优化 ：删除项目中没有引用关系的文件 useless-files-webpack-plugin

一般此类包不需要安装到项目中，减少node_modules体积（以项目实际情况决定-S/-D） npm i useless-files-webpack-plugin -S然后再vue.config.js中配置 const UselessFile require(useless-files-webpack-plugin) chainWebpack: config > …
阅读更多...
【NLP模型】文本建模（2）TF-IDF关键词提取原理

【NLP模型】文本建模（2）TF-IDF关键词提取原理

一、说明 tf-idf是个可以提取文章关键词的模型；他是基于词频，以及词的权重综合因素考虑的词价值刻度模型。一般地开发NLP将包含三个层次单元：最大数据单元是语料库、语料库中有若干文章、文章中有若干词语。这样从词频上说，就有词在文章的频率，词在预料库的频率，文章在预…
阅读更多...
最新文章

Copyright @ 2022~2023