BP神经网络python简单实现.zip - 去掉神经元类，把功能合并入NetLayer类中，使用矩阵计算加快速度
调整代码实现批量训练方法。
优化程序中numpy库运算顺序，避免产生中间变量,2018-10-16 15:15:56,下载6次
BP.zip - 遗传算法优化BP神经网络分为BP神经网络结构确定、遗传算法优化和 BP神经网络预测3个部分。其中,BP神经网络结构确定部分根据拟合函数输入输出参数个数确定 BP神经网络结构,这样就可以确定遗传算法的优化参数个数，进而确定遗传算法个体的编码长度。因为遗传算法优化的参数是 BP神经网络的初始权值和阈值,只要网络的结构已知，权值和阈值的个数就已知了。种群中的每个个体都包含了一个网络所有权值和阈值,个体通过适应度函数计算个体适应度值,遗传算法通过选择、交叉和变异操作找到最优适应度值对应的个体。BP神经网络预测用遗传算法得到最优个体对网络进行初始权值和阈值的赋值,网络经训练后预测样本输出。神经网络的权值和阈值一般是通过初始化为【-0.5,0.5】区间的随机数，这个初始化参数对网络训练的影响很大，但是又无法准确获得，对于相同的初始权重值和阈值，网络的训练结果是一样的，引入遗传算法就,2018-10-16 15:11:51,下载11次
NSGA-III.rar - 测试可以跑，根据自己情况修改下函数即可. NSGA-III 首先定义一组参考点。然后随机生成含有 N 个（原文献说最好与参考点个数相同）个体的初始种群，其中 N 是种群大小。接下来，算法进行迭代直至终止条件满足。在第 t 代，算法在当前种群 Pt的基础上，通过随机选择，模拟两点交叉（Simulated Binary Crossover，SBX）和多项式变异 产生子代种群 Qt。Pt和 Qt的大小均为 N。因此，两个种群 Pt和 Qt合并会形成种群大小为 2N 的新的种群 Rt=Pt∪Qt。 为了从种群 Rt中选择最好的 N 个解进入下一代，首先利用基于Pareto支配的非支配排序将 Rt分为若干不同的非支配层（F1，F2等等）。然后，算法构建一个新的种群St，构建方法是从 F1开始，逐次将各非支配层的解加入到 St，直至 St的大小等于 N，或首次大于 N。假设最后可以接受的非支配层是 L层，那么在 L+ 1 层以及之后的那些解就被丢弃掉了，且 St\ FL中的解已经确定被选择作为 Pt+1中的解。Pt+1中余下的个体需要从 FL中选取，选择的依据是要使种群在目标空间中具有理想的多样性。,2018-10-16 15:03:18,下载32次
success.m.zip - MAT之GA：GA优化BP神经网络的初始权值、阈值，从而增强BP神经网络的鲁棒性,2018-10-16 14:59:10,下载5次
NSGA-III.zip - (1)初始化：随机产生大小为N的父代种群Pt；
(2)更新操作：父代种群通过交叉变异产生大小相同的子代种群Qt（SBX,多项式变异）；(3)选择操作：采用某种选择机制从Rt=Pt∪Qt（种群大小为2N）中选择出N个优秀个体构成新一代进化群体Pt+1；,2018-10-16 14:51:50,下载10次