%% 清空環境變量

clc

clear

%% 網絡結構建立

%讀取數據

load data input output

%節點個數

inputnum=2;

hiddennum=5;

outputnum=1;

%訓練數據和預測數據

input_train=input(1:1900,:)';

input_test=input(1901:2000,:)';

output_train=output(1:1900)';

output_test=output(1901:2000)';

%選連樣本輸入輸出數據歸一化

[inputn,inputps]=mapminmax(input_train);

[outputn,outputps]=mapminmax(output_train);

%構建網絡

net=newff(inputn,outputn,hiddennum);

%% 遺傳算法參數初始化

maxgen=10;                         %進化代數，即迭代次數

sizepop=10;                        %種群規模

pcross=0.3;                       %交叉概率選擇，0和1之間

pmutation=0.1;                    %變異概率選擇，0和1之間

%節點總數

numsum=inputnum*hiddennum+hiddennum+hiddennum*outputnum+outputnum;

lenchrom=ones(1,numsum);        

bound=[-3*ones(numsum,1) 3*ones(numsum,1)];    %數據范圍

%% 種群初始化

individuals=struct('fitness',zeros(1,sizepop), 'chrom',[]);  

%將種群信息定義為一個結構體

avgfitness=[];                      

%每一代種群的平均適應度

bestfitness=[];                     

%每一代種群的最佳適應度

bestchrom=[];                       

%適應度最好的染色體

%初始化種群

for i=1:sizepop

    %隨機產生一個種群

    individuals.chrom(i,:)=Code(lenchrom,bound);    

    %編碼

    x=individuals.chrom(i,:);

    %計算適應度

    individuals.fitness(i)=fun(x,inputnum,hiddennum,outputnum,net,inputn,outputn);   %染色體的適應度

end

%找最好的染色體

[bestfitness, bestindex]=min(individuals.fitness);

bestchrom=individuals.chrom(bestindex,:);  %最好的染色體

avgfitness=sum(individuals.fitness)/sizepop; %染色體的平均適應度

% 記錄每一代進化中最好的適應度和平均適應度

trace=[avgfitness bestfitness]; 

%% 迭代求解最佳初始閥值和權值

% 進化開始

for i=1:maxgen

    % 選擇

    individuals=Select(individuals,sizepop); 

    avgfitness=sum(individuals.fitness)/sizepop;

    %交叉

    individuals.chrom=Cross(pcross,lenchrom,individuals.chrom,sizepop,bound);

    % 變異

    individuals.chrom=Mutation(pmutation,lenchrom,individuals.chrom,sizepop,i,maxgen,bound);

    % 計算適應度 

    for j=1:sizepop

        x=individuals.chrom(j,:); %解碼

        individuals.fitness(j)=fun(x,inputnum,hiddennum,outputnum,net,inputn,outputn);   

    end

  %找到最小和最大適應度的染色體及它們在種群中的位置

    [newbestfitness,newbestindex]=min(individuals.fitness);

    [worestfitness,worestindex]=max(individuals.fitness);

    % 代替上一次進化中最好的染色體

    if bestfitness>newbestfitness

        bestfitness=newbestfitness;

        bestchrom=individuals.chrom(newbestindex,:);

    end

    individuals.chrom(worestindex,:)=bestchrom;

    individuals.fitness(worestindex)=bestfitness;

    avgfitness=sum(individuals.fitness)/sizepop;

    trace=[trace;avgfitness bestfitness]; %記錄每一代進化中最好的適應度和平均適應度

end

%% 遺傳算法結果分析 

 figure(1)

[r, c]=size(trace);

plot([1:r]',trace(:,2),'b--');

title(['適應度曲線  ' '終止代數＝' num2str(maxgen)]);

xlabel('進化代數');ylabel('適應度');

legend('平均適應度','最佳適應度');

x=bestchrom;

%% 把最優初始閥值權值賦予網絡預測

% %用遺傳算法優化的BP網絡進行值預測

w1=x(1:inputnum*hiddennum);

B1=x(inputnum*hiddennum+1:inputnum*hiddennum+hiddennum);

w2=x(inputnum*hiddennum+hiddennum+1:inputnum*hiddennum+hiddennum+hiddennum*outputnum);

B2=x(inputnum*hiddennum+hiddennum+hiddennum*outputnum+1:inputnum*hiddennum+hiddennum+hiddennum*outputnum+outputnum);

net.iw{1,1}=reshape(w1,hiddennum,inputnum);

net.lw{2,1}=reshape(w2,outputnum,hiddennum);

net.b{1}=reshape(B1,hiddennum,1);

net.b{2}=B2;

%% BP網絡訓練

%網絡進化參數

net.trainParam.epochs=100;

net.trainParam.lr=0.1;

%net.trainParam.goal=0.00001;

%網絡訓練

[net,per2]=train(net,inputn,outputn);

%% BP網絡預測

%數據歸一化

inputn_test=mapminmax('apply',input_test,inputps);

an=sim(net,inputn_test);

test_simu=mapminmax('reverse',an,outputps);

error=test_simu-output_test;