基于遗传算法优化BP神经网络实现客货运量预测的智能系统_遗传算法全局搜索与BP神经网络局部优化相结合的多变量非线性时间序列预测模...

# 基于遗传算法的BP神经网络 **介绍**：利用遗传算法并行地优化BP网络的权值和阈值，从而避免了BP网络在优化权值和阈值时陷入局部最优的缺点。 **背景**：此项目的背景为客运量和货运量的预测。 **文件介绍** 1. `freightFlow.xlsx ` ： 货运量数据集，前7列为影响货运量的因素，第8列为货运量； 2. `passengerFlow.xlsx` ： 客运量数据集，前7列为影响货运量的因素，第8列为客运量； 3. `Data.mat`：这是一个结构体，成员P为从客运量数据集，成员F为货运量数据集； 4. 其他为源文件。 ## 函数概述 1. `mainFun()`：主函数，完成训练和预测； 1. `normInit()`：数据获取，存入结构体Data.mat； 1. `gadecod()`：对输入的染色体编码，编码方式一般有两种，实数编码和二进制编码（此项目中对应的为实数编码，所以编码后的值即为解码后的值）； 1. `getBPinfo()`：获取BP网络的基本信息； 1. `gabpEval()`：计算适应度。 ## GAOT使用说明 因为项目中用到了GAOT工具包中的函数，所以需要将GAOT工具包加入路径。 操作步骤为： 1. 点击GAOT文件； 1. 添加到路径； 1. 选定文件夹和子文件夹。 这样，工程中就可以调用GAOT工具包中的函数了。 ## 初始种群的生成 ```matlab [pop]=initializega(num,bounds,eevalFN,eevalOps,options) ``` - 【输出参数】 > pop：生成的初始种群 - 【输入参数】 > num：种群中的个体数目 > bounds：代表变量的上下界的矩阵 > eevalFN：适应度函数 > eevalOps：传递给适应度函数的参数 > options：选择编码形式(浮点编码或是二进制编码)[precision F_or_B] > precision：变量进行二进制编码时指定的精度 > F_or_B：为1时选择浮点编码，否则为二进制编码,由precision指定精度) ## 遗传算法函数 ````matlab [x,endPop,bPop,traceInfo]=ga(bounds,evalFN,evalOps,startPop,opts,termFN,termOps,selectFN,selectOps,xOverFNs,xOverOps,mutFNs,mutOps) 【输出参数】 x--求得的最优解 endPop--最终得到的种群 bPop--最优种群的一个搜索轨迹 traceInfo--每一代的最好的适应度和平均适应度 【输入参数】 bounds--代表变量上下界的矩阵 evalFN--适应度函数 evalOps--传递给适应度函数的参数 startPop--初始种群 opts[epsilonprob_opsdisplay]--opts(1:2)等同于initializega的options参数，第三个参数控制是否输出，一般为0。如[1e-610] termFN--终止函数的名称,如['maxGenTerm'] termOps--传递个终止函数的参数,如[100] selectFN--选择函数的名称,如['normGeomSelect'] selectOps--传递个选择函数的参数,如[0.08] xOverFNs--交叉函数名称表，以空格分开，如['arithXoverheuristicXoversimpleXover'] xOverOps--传递给交叉函数的参数表，如[20;23;20] mutFNs--变异函数表，如['boundaryMutationmultiNonUnifMutationnonUnifMutationunifMutation'] mutOps--传递给交叉函数的参数表,如[400;61003;41003;400] ````