基于遗传算法BP网络优化..doc

班级：控制5班 学号：2111504213 姓名：张睿 设计一个BP神经网络监督控制系统，被控对象为： 采样时间1ms，输入信号为方波信号，幅值0.5，频率2hz。设计一个BP神经网络监督控制系统，并采用遗传算法进行BP神经网络参数及权值的优化设计，并进行matlab仿真。需要说明控制系统结构，遗传算法优化BP网络的具体步骤，并对仿真结果做出分析。 解决过程及思路如下： 1 BP网络算法 以第p个样本为例，用于训练的BP网络结构如图1所示。 …...… …...….. .….. …… i j k 输入层 隐含层 输出层 … … … xk 图1 具有一个隐含层和输出层的BP神经网络结构 网络的学习算法如下： (1)信息的正向传播 隐含层神经元的输入为所有输入加权之和， 隐层神经元的输出采用S函数激发，则 输出层的神经元输出为 网络输出与理想输出误差为 误差性能指标函数为 上式的N表示网络输出层的个数。 （2）利用梯度下降法调整各层间权值的反向传播 对从第j个输入到第k个输出的权值有： 其中，为学习速率，。 K+1时刻网络权值为 对从第i个输入到第j个输出的权值有： 式中， t+1时刻网络权值为 BP网络的监督控制系统结构 设计的BP网络监督控制系统结构如图2所示。 图2 BP神经网络监督控制 在BP网络结构中，取网络的输入为r（k），实际输出为y（k），PID控制输出为up（k），隐层神经元的输出采用S函数激发， 网络的权向量为W1, W2 BP的网络输出为 控制律为 u(k)=up(k)+yn(k) 采用梯度下降法调整网络的权值为 神经网络权值的调整过程为 3.遗传算法对BP网络权值的优化过程 （1） 取逼近总步骤为:N=100 （2）终止代数：G=80 （3）样本个数：Size=30 （4）交叉概率：Pc=0.70 （5）二进制编码长度：Godel=10 （6）变异概率：Pm=0.001-[1:1:Size]*0.001/Size （7）用于优化的BP网络结构为：1-4-1 i=1 j=1,2,3 ,4 （8）网络权值W1的取值范围为：[-1,+1] （9）网络权值W2的取值范围为：[-0.5,+0.5] (10)取BP网络误差绝对值为参数选择的最小目标函数： 式中，N为逼近的总步骤，ee（i）为第i步BP网络逼近误差。 （11）需要优化参数为： 4 遗传算法优化BP网络权值的步骤 (1)初始化种群； (2)计算其适应值，保留最优个体，判断是否达到最优解； (3)交叉、变异产生新个体； (4)重新计算种群中每个个体的适应值并保留最优个体； (5)交叉、变异前后的种群放在一起进行二人竞赛选择法，直到填满新的种群； (6)转2)直到找到最优解BestJ。 5 MATLAB仿真结果 BP监督网络遗传算法优化程序包括3部分，即遗传算法优化程序ga_bp.m，BP网络逼近函数程序bp_a和BP网络逼近测试程序bp_test。 输入信号为r（t）=0.5*sign(sin(2*2*pi*k*ts)采样时间ts=0.001s，η=0.30，a=0.05,kp=1,kd=1. 经遗传算法优化后，对象p的值为 P=[-0.2160,0.7576,0.5230,0.9863,-0.0714,0.2551,0.6911,-0.3627，0.2146，0.3338 ，-0.0875，-0.0582] 仿真结果图： 图3 代价函数J的优化过程 图4 方波位置跟踪 图5 BP网络,PD及总控制器输出的比较以及误差曲线 结论：采用遗专算法可以实现BP网络参数初始值的优化，节约计算量。并由仿真结果可知，其误差大部分趋于0，但局部有三个地区的误差比较大，产生原因可能与遗传算法的运行参数有关。 代码： 1、bp_a.m function[p,BsJ]=rbf_gaf(p,BsJ) ts=0.001; alfa=0.05; xite=0.30; sys=tf(1000,[1,87.35,10470]); dsys=c2d(sys,ts,z); [num,den]=tfdata(dsys,v); y_1=0;y_2=0; u_1=0;u_2=0; e_1=0; xi=0; x=[0,0]; I=[0,0,0,0]; Iout=[0,0,0,0]; FI=[0,0,0,0]; kp=25; kd=0.3; w1=[p(1),p(2),p(3),p(4);p(5),p(6),p(7),p(8)]; w1_1=w1;w1_2=w1; w2=[p(9);p(10);p(11);p(12)]; w2_1=w2;w2_2=w2_1; for k=1:1:10