【DELM预测】基于遗传算法改进深度学习极限学习机实现数据预测附matlab代码

%% GA clc % 清屏 clear all; % 删除workplace变量 close all; % 关掉显示图形窗口 warning off %% 参数初始化 popsize = 50; %种群规模 lenchrom = 17; %变量字串长度 pc = 0.7; %设置交叉概率，本例中交叉概率是定值，若想设置变化的交叉概率可用表达式表示，或从写一个交叉概率函数，例如用神经网络训练得到的值作为交叉概率 pm = 0.3; %设置变异概率，同理也可设置为变化的 load(’Ereal.mat’) load(’Freal.mat’) maxgen = 500; % 进化次数 %定义弧的权矩阵和几点换乘权矩阵 %种群 popmax = 9; popmin = 1; popmax2 = 0 popmin2 = -4 bound = [popmin popmax;popmin2 popmax2;popmin popmax;popmin2 popmax2;popmin popmax;popmin2 popmax2;popmin popmax;popmin2 popmax2;popmin popmax;popmin2 popmax2;popmin popmax;popmin2 popmax2;popmin popmax;popmin2 popmax2;popmin popmax;popmin2 popmax2;popmin popmax]; %变量范围 %% 产生初始粒子和速度 for i=1:popsize %随机产生一个种群 GApop(i, : )=Code(lenchrom,popmax,bound,E); %随机产生个体，GApop是lenchrom和bound的一个函数，是100*7的矩阵，GApop(i,:)是1*7的一行数字，等于是对每个i去执行一次Code函数和test函数 %或者说Code函数指编码过程，以lenchrom和bound为依据进行编码 %Code经过检验后，GApop第i行赋值为每一个Code列向量 %计算适应度 p = [] for u=1:2:(lenchrom-2) p = [p E(GApop(i,u),GApop(i,u+2),-GApop(i,u+1))] end q = [] for j=3:2:(lenchrom-2) q = [q F(-GApop(i,j-1),-GApop(i,j+1),GApop(i,j))] end fitness(i) = sum(p)+sum(q); %染色体的适应度 end %找最好的染色体 [bestfitness bestindex]=min(fitness); %min函数左侧是适应度矩阵(1*100)中最佳值和对应位置，bestindex为什么不是最优的位置（是生成的第一批的最优和位置） zbest = GApop(bestindex,:); %全局最佳，最佳位置对应的染色体向量 gbest = GApop; %个体最佳，100*7矩阵 fitnessgbest = fitness; %个体最佳适应度值,指同样的函数式 fitnesszbest = bestfitness; %全局最佳适应度值，同上 %% 迭代寻优 for i=1:maxgen i %种群更新 GA选择更新 GApop = Select2(GApop,fitness,popsize); %产生了轮盘赌选出的100个染色体 % 交叉操作 GA GApop = Cross(pc,lenchrom,GApop,popsize,bound,E); %这里删掉了两个操作 % 变异操作 GA变异 GApop = Mutation(pm,lenchrom,GApop,popsize,[i maxgen],bound,popmax,E); % 元素删除 GA变异 GApop = Mutation2(pm,lenchrom,GApop,popsize,[i maxgen],bound,E); pop = GApop; for j=1:popsize %适应度值 p = [] for u=1:2:(lenchrom-2) p = [p E(GApop(j,u),GApop(j,u+2),-GApop(j,u+1))] end q = [] for v=3:2:(lenchrom-2) q = [q F(-pop(j,v-1),-pop(j,v+1),pop(j,v))] end fitness(j) = sum(p)+sum(q); %染色体的适应度 %对每个满足约束的个体计算适应度(不符合就不更新） %个体最优更新 if fitness(j) < fitnessgbest(j) gbest(j, : ) = pop(j,:); fitnessgbest(j) = fitness(j); %每一代如果适应度变小就更新，否则不更新；输出的fitness 是最后一代的适应度 end %群体最优更新 if fitness(j) < fitnesszbest zbest = pop(j,:); fitnesszbest = fitness(j); %两次更新都循环100次，每一个fitness(j)都和两个数比一遍 end end yy(i) = fitnesszbest; end %% 结果 disp ’*************best particle number****************’ zbest %% plot(yy,’linewidth’,2); title([’适应度曲线 ’ ’终止代数＝’ num2str(maxgen)]); xlabel(’进化代数’);ylabel(’适应度’); grid on