individuals.chrom(worestindex,:)=bestchrom; individuals.fitness(worestindex)=bestfitness;

avgfitness=sum(individuals.fitness)/sizepop;

trace=[trace;avgfitness bestfitness]; %记录每一代进化中最好的适应度和平均适应度 end

%进化结束

%% 结果显示 [r c]=size(trace);

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

title(['函数值曲线 ' '终止代数＝' num2str(maxgen)]); xlabel('进化代数');ylabel('函数值'); legend('各代平均值','各代最佳值'); disp('函数值 变量'); % 窗口显示

disp([bestfitness x]);

第 3 章 基于遗传算法的BP神经网络优化算法

1、案例背景

BP网络是一类多层的前馈神经网络。它的名字源于在网络训练的过程中，调整网络的权值的算法是误差的反向传播的学习算法，即为BP学习算法。BP算法是Rumelhart等人在1986年提出来的。由于它的结构简单，可调整的参数多，训练算法也多，而且可操作性好，BP神经网络获得了非常广泛的应用。据统计，有80%～90%的神经网络模型都是采用了BP网络或者是它的变形。BP网络是前向网络的核心部分，是神经网络中最精华、最完美的部分。BP神经网络虽然是人工神经网络中应用最广泛的算法，但是也存在着一些缺陷，例如： ①、学习收敛速度太慢；

②、不能保证收敛到全局最小点； ③、网络结构不易确定。 另外，网络结构、初始连接权值和阈值的选择对网络训练的影响很大，但是又无法准确获得，针对这些特点可以采用遗传算法对神经网络进行优化。