www.gusucode.com > MATLAB+神经网络30个案例分析》程序和数据 > 源程序/案例27 遗传算法的优化计算——建模自变量降维/main.m
%% 遗传算法的优化计算——输入自变量降维
%
% <html>
% <table border="0" width="600px" id="table1"> <tr> <td><b><font size="2">该案例作者申明：</font></b></td> </tr> <tr> <td><span class="comment"><font size="2">1：本人长期驻扎在此<a target="_blank" href="http://www.ilovematlab.cn/forum-158-1.html"><font color="#0000FF">板块</font></a>里，对<a target="_blank" href="http://www.ilovematlab.cn/thread-49221-1-1.html"><font color="#0000FF">该案例</font></a>提问，做到有问必答。</font></span></td></tr><tr> <td><span class="comment"><font size="2">2：此案例有配套的教学视频，配套的完整可运行Matlab程序。</font></span></td> </tr> <tr> <td><span class="comment"><font size="2"> 3：以下内容为该案例的部分内容（约占该案例完整内容的1/10）。</font></span></td> </tr> <tr> <td><span class="comment"><font size="2"> 4：此案例为原创案例，转载请注明出处（<a target="_blank" href="http://www.ilovematlab.cn/">Matlab中文论坛</a>，<a target="_blank" href="http://www.ilovematlab.cn/forum-158-1.html">《Matlab神经网络30个案例分析》</a>）。</font></span></td> </tr> <tr> <td><span class="comment"><font size="2"> 5：若此案例碰巧与您的研究有关联，我们欢迎您提意见，要求等，我们考虑后可以加在案例里。</font></span></td> </tr> <tr> <td><span class="comment"><font size="2"> 6：您看到的以下内容为初稿，书籍的实际内容可能有少许出入，以书籍实际发行内容为准。</font></span></td> </tr><tr> <td><span class="comment"><font size="2"> 7：此书其他常见问题、预定方式等，<a target="_blank" href="http://www.ilovematlab.cn/thread-47939-1-1.html">请点击这里</a>。</font></span></td> </tr></table>
% </html>
%
web browser http://www.ilovematlab.cn/thread-61926-1-1.html
%% 清空环境变量
clear all
clc
warning off
%% 声明全局变量
global P_train T_train P_test T_test mint maxt S s1
S=30;
s1=50;
%% 导入数据
load data.mat
a=randperm(569);
Train=data(a(1:500),:);
Test=data(a(501:end),:);
% 训练数据
P_train=Train(:,3:end)';
T_train=Train(:,2)';
% 测试数据
P_test=Test(:,3:end)';
T_test=Test(:,2)';
% 显示实验条件
total_B=length(find(data(:,2)==1));
total_M=length(find(data(:,2)==2));
count_B=length(find(T_train==1));
count_M=length(find(T_train==2));
number_B=length(find(T_test==1));
number_M=length(find(T_test==2));
disp('实验条件为：');
disp(['病例总数：' num2str(569)...
' 良性：' num2str(total_B)...
' 恶性：' num2str(total_M)]);
disp(['训练集病例总数：' num2str(500)...
' 良性：' num2str(count_B)...
' 恶性：' num2str(count_M)]);
disp(['测试集病例总数：' num2str(69)...
' 良性：' num2str(number_B)...
' 恶性：' num2str(number_M)]);
%% 数据归一化
[P_train,minp,maxp,T_train,mint,maxt]=premnmx(P_train,T_train);
P_test=tramnmx(P_test,minp,maxp);
%% 创建单BP网络
t=cputime;
net_bp=newff(minmax(P_train),[s1,1],{'tansig','purelin'},'trainlm');
% 设置训练参数
net_bp.trainParam.epochs=1000;
net_bp.trainParam.show=10;
net_bp.trainParam.goal=0.1;
net_bp.trainParam.lr=0.1;
net_bp.trainParam.showwindow=0;
%% 训练单BP网络
net_bp=train(net_bp,P_train,T_train);
%% 仿真测试单BP网络
tn_bp_sim=sim(net_bp,P_test);
% 反归一化
T_bp_sim=postmnmx(tn_bp_sim,mint,maxt);
e=cputime-t;
T_bp_sim(T_bp_sim>1.5)=2;
T_bp_sim(T_bp_sim<1.5)=1;
result_bp=[T_bp_sim' T_test'];
%% 结果显示（单BP网络）
number_B_sim=length(find(T_bp_sim==1 & T_test==1));
number_M_sim=length(find(T_bp_sim==2 &T_test==2));
disp('(1)BP网络的测试结果为：');
disp(['良性乳腺肿瘤确诊：' num2str(number_B_sim)...
' 误诊：' num2str(number_B-number_B_sim)...
' 确诊率p1=' num2str(number_B_sim/number_B*100) '%']);
disp(['恶性乳腺肿瘤确诊：' num2str(number_M_sim)...
' 误诊：' num2str(number_M-number_M_sim)...
' 确诊率p2=' num2str(number_M_sim/number_M*100) '%']);
disp(['建模时间为：' num2str(e) 's'] );
%% 遗传算法优化
popu=20;
bounds=ones(S,1)*[0,1];
% 产生初始种群
% initPop=crtbp(popu,S);
initPop=randint(popu,S,[0 1]);
% 计算初始种群适应度
initFit=zeros(popu,1);
for i=1:size(initPop,1)
initFit(i)=de_code(initPop(i,:));
end
initPop=[initPop initFit];
gen=100;
% 优化计算
[X,EndPop,BPop,Trace]=ga(bounds,'fitness',[],initPop,[1e-6 1 0],'maxGenTerm',...
gen,'normGeomSelect',0.09,'simpleXover',2,'boundaryMutation',[2 gen 3]);
[m,n]=find(X==1);
disp(['优化筛选后的输入自变量编号为:' num2str(n)]);
% 绘制适应度函数进化曲线
figure
plot(Trace(:,1),Trace(:,3),'r:')
hold on
plot(Trace(:,1),Trace(:,2),'b')
xlabel('进化代数')
ylabel('适应度函数')
title('适应度函数进化曲线')
legend('平均适应度函数','最佳适应度函数')
xlim([1 gen])
%% 新训练集/测试集数据提取
p_train=zeros(size(n,2),size(T_train,2));
p_test=zeros(size(n,2),size(T_test,2));
for i=1:length(n)
p_train(i,:)=P_train(n(i),:);
p_test(i,:)=P_test(n(i),:);
end
t_train=T_train;
%% 创建优化BP网络
t=cputime;
net_ga=newff(minmax(p_train),[s1,1],{'tansig','purelin'},'trainlm');
% 训练参数设置
net_ga.trainParam.epochs=1000;
net_ga.trainParam.show=10;
net_ga.trainParam.goal=0.1;
net_ga.trainParam.lr=0.1;
net_ga.trainParam.showwindow=0;
%% 训练优化BP网络
net_ga=train(net_ga,p_train,t_train);
%% 仿真测试优化BP网络
tn_ga_sim=sim(net_ga,p_test);
% 反归一化
T_ga_sim=postmnmx(tn_ga_sim,mint,maxt);
e=cputime-t;
T_ga_sim(T_ga_sim>1.5)=2;
T_ga_sim(T_ga_sim<1.5)=1;
result_ga=[T_ga_sim' T_test'];
%% 结果显示（优化BP网络）
number_b_sim=length(find(T_ga_sim==1 & T_test==1));
number_m_sim=length(find(T_ga_sim==2 &T_test==2));
disp('(2)优化BP网络的测试结果为：');
disp(['良性乳腺肿瘤确诊：' num2str(number_b_sim)...
' 误诊：' num2str(number_B-number_b_sim)...
' 确诊率p1=' num2str(number_b_sim/number_B*100) '%']);
disp(['恶性乳腺肿瘤确诊：' num2str(number_m_sim)...
' 误诊：' num2str(number_M-number_m_sim)...
' 确诊率p2=' num2str(number_m_sim/number_M*100) '%']);
disp(['建模时间为：' num2str(e) 's'] );
web browser http://www.ilovematlab.cn/thread-61926-1-1.html
%%
%
% <html>
% <table align="center" > <tr> <td align="center"><font size="2">版权所有：</font><a
% href="http://www.ilovematlab.cn/">Matlab中文论坛</a> <script
% src="http://s3.cnzz.com/stat.php?id=971931&web_id=971931&show=pic" language="JavaScript" ></script> </td> </tr></table>
% </html>
%