Quantum-GABP
所属分类：人工智能/神经网络/深度学习
开发工具：matlab
文件大小：119KB
下载次数：37
上传日期：2020-01-07 21:22:21
上 传 者：
Acceptable
说明： 一种自适应量子遗传算法优化BP神经网络（AQGA-BP），及标准量子遗传算法优化BP（QGA-BP）、遗传算法优化BP、BP作为对比
(an adaptively quantum genetic algorithm optimized BP neural network (AQGA-BP). The quantum genetic algorithm optimized BP, genetic algorithm optimized BP, and standard BP are also included as comparisons.)
文件列表:
Quantum-GABP\data (21656, 2019-04-12)
Quantum-GABP\Data.mat (18839, 2019-03-19)
Quantum-GABP\Data2.mat (619, 2019-03-06)
Quantum-GABP\dataInit.m (154, 2019-03-06)
Quantum-GABP\freightFlow.xlsx (8691, 2019-03-06)
Quantum-GABP\ga.m (10837, 2019-03-19)
Quantum-GABP\gabpEval.m (409, 2019-04-29)
Quantum-GABP\gadecod.m (1726, 2019-04-29)
Quantum-GABP\GAOT\adjswapMutation.m (1419, 2019-03-06)
Quantum-GABP\GAOT\arithXover.m (1487, 2019-03-06)
Quantum-GABP\GAOT\b2f.m (1495, 2019-03-06)
Quantum-GABP\GAOT\binaryExample.m (2080, 2019-03-06)
Quantum-GABP\GAOT\binaryMutation.m (1504, 2019-03-06)
Quantum-GABP\GAOT\boundaryMutation.m (1639, 2019-03-06)
Quantum-GABP\GAOT\calcbits.m (1382, 2019-03-06)
Quantum-GABP\GAOT\Contents.m (4761, 2019-03-06)
Quantum-GABP\GAOT\coranaEval.m (1451, 2019-03-06)
Quantum-GABP\GAOT\coranaFeval.m (1538, 2019-03-06)
Quantum-GABP\GAOT\coranaMin.m (1222, 2019-03-06)
Quantum-GABP\GAOT\cyclicXover.m (1654, 2019-03-06)
Quantum-GABP\GAOT\delta.m (1471, 2019-03-06)
Quantum-GABP\GAOT\dists.m (6837, 2019-03-06)
Quantum-GABP\GAOT\EER.m (1586, 2019-03-06)
Quantum-GABP\GAOT\enhancederXover.m (2348, 2019-03-06)
Quantum-GABP\GAOT\erXover.m (2118, 2019-03-06)
Quantum-GABP\GAOT\f2b.m (1501, 2019-03-06)
Quantum-GABP\GAOT\floatExample.m (2322, 2019-03-06)
Quantum-GABP\GAOT\floatGradExample.m (2137, 2019-03-06)
Quantum-GABP\GAOT\ga.m (10805, 2019-03-06)
Quantum-GABP\GAOT\gademo.m (4213, 2019-03-06)
Quantum-GABP\GAOT\gademo1.m (3887, 2019-03-06)
Quantum-GABP\GAOT\gademo1eval1.m (1275, 2019-03-06)
Quantum-GABP\GAOT\gademo2.m (2840, 2019-03-06)
Quantum-GABP\GAOT\gademo3.m (6262, 2019-03-06)
Quantum-GABP\GAOT\gaMichEval.m (193, 2019-03-06)
Quantum-GABP\GAOT\gaZBGrad.m (174, 2019-03-06)
Quantum-GABP\GAOT\gaZBGradEval.m (684, 2019-03-06)
Quantum-GABP\GAOT\heuristicXover.m (2136, 2019-03-06)
Quantum-GABP\GAOT\initializega.m (3282, 2019-03-06)
Quantum-GABP\GAOT\initializeoga.m (1561, 2019-03-06)
... ...
## 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:**
这个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
### 函数概述:
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。
2. getBPinfo:获取BP网络的基本信息。
3. gabpEval:计算适应度
4. normInit:数据获取,存入结构体Data.mat
5. mainFun:主函数,完成训练和预测
### 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:点击GAOT文件--->添加到路径--->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
### 初始种群的生成函数:
> [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:
````
[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]
````
近期下载者：
相关文件：
收藏者：